From 9ea5a2e6c660c82c4c64e22023da0988a53fd071 Mon Sep 17 00:00:00 2001 From: Kjell Tore Guttormsen Date: Sun, 3 May 2026 04:28:15 +0200 Subject: [PATCH] chore(privacy): scrub real-org references from plugin internals (phase 2) MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Same bulk replacement applied to plugin-internal KB, examples, fixtures, tests, and docs. Real organization names, persona names, internal system identifiers, and domain-specific terms replaced with fictional generic public-sector entity (DDT) and generic terminology. Scope: - okr/ — examples, governance, framework, integrations, sources - ms-ai-architect/ — KB references (engineering, governance, security, infrastructure, advisor), tests/fixtures, agents, docs - linkedin-thought-leadership/ — voice samples, network-builder, examples (genericized identifying headlines to "[your organization]") - llm-security/ — research notes, scan report Manual genericization beyond bulk replace: - okr SKILL.md "Primary user / Domain" — generic Norwegian public sector - linkedin-voice SKILL.md headline placeholder - network-builder.md headline placeholder - high-engagement-posts.md voice sample employer line + hashtag Phase 3 (factual-attribution review) remains: a few KB files attribute publicly known transport-sector docs/datasets (e.g. håndbok V440, NVDB) to the fictional DDT after bulk replace. Needs manual semantic review to either remove or restore correct citation without re-introducing affiliation references. Co-Authored-By: Claude Opus 4.7 --- .../agents/network-builder.md | 2 +- .../assets/examples/high-engagement-posts.md | 4 +- .../skills/linkedin-voice/SKILL.md | 2 +- .../oh-my-openagent-scan-2026-04-02.md | 2 +- .../agents/security-assessment-agent.md | 2 +- .../docs/eu-ai-act-integration-handover.md | 20 ++++---- .../references/architecture/adr-template.md | 6 +-- .../copilot-connectors-design-patterns.md | 2 +- ...copilot-extensibility-security-patterns.md | 4 +- .../references/platforms/power-platform.md | 2 +- .../multimodal-prompt-design.md | 2 +- .../agent-ecosystem-and-plugin-marketplace.md | 2 +- .../agent-to-agent-a2a-protocol.md | 6 +-- .../declarative-vs-imperative-agent-design.md | 4 +- .../multi-tenant-agent-isolation.md | 2 +- .../api-management/genai-gateway-policies.md | 2 +- .../request-response-transformation-ai.md | 2 +- .../document-intelligence-prebuilt-models.md | 2 +- .../data-cataloging-discovery.md | 10 ++-- .../data-engineering/data-mesh-patterns.md | 6 +-- .../data-pipeline-orchestration.md | 2 +- .../feature-stores-engineering.md | 2 +- .../master-data-management-ai.md | 2 +- .../real-time-streaming-ai.md | 2 +- .../synthetic-data-generation.md | 2 +- .../azure-video-indexer-patterns.md | 2 +- .../multi-modal/cv-llm-integration.md | 4 +- .../image-classification-understanding.md | 2 +- .../multimodal-prompt-engineering.md | 2 +- .../multi-modal/real-time-audio-api.md | 4 +- .../multi-modal/speech-to-ai-pipelines.md | 2 +- .../multi-modal/text-to-speech-citizen.md | 4 +- .../multi-modal/video-analysis-patterns.md | 4 +- .../multi-modal/whisper-speech-recognition.md | 2 +- .../rag-architecture/contextual-retrieval.md | 2 +- .../embedding-models-selection.md | 2 +- .../ros-sector-checklists.md | 4 +- .../ai-act-annex-iii-checklist.md | 4 +- .../ai-act-classification-methodology.md | 12 ++--- .../responsible-ai/ai-act-compliance-guide.md | 2 +- .../ai-act-conformity-assessment.md | 6 +-- .../ai-act-deployer-obligations.md | 2 +- .../responsible-ai/ai-act-fria-template.md | 4 +- .../ai-act-provider-obligations.md | 2 +- .../ai-act-transparency-notices.md | 8 ++-- .../ai-center-of-excellence-setup.md | 4 +- .../ai-governance-structure-framework.md | 4 +- .../responsible-ai/red-teaming-ai-models.md | 6 +-- .../ai-foundry-disaster-recovery-planning.md | 10 ++-- ...backup-recovery-strategies-ai-workloads.md | 20 ++++---- .../bcdr/failover-testing-ai-services.md | 16 +++---- .../multi-region-azure-openai-deployment.md | 8 ++-- .../iot-operations-ai-integration.md | 2 +- .../offline-first-ai-applications.md | 2 +- .../pii-detection-norwegian-context.md | 2 +- .../security-scoring-rubrics-6x5.md | 4 +- .../azure-ai-foundry-cost-governance.md | 2 +- .../azure-cost-management-ai.md | 2 +- .../auto-scaling-ai-infrastructure.md | 4 +- .../batch-api-usage-optimization.md | 2 +- .../latency-optimization-azure-openai.md | 2 +- .../model-distillation-performance.md | 2 +- .../prompt-caching-performance.md | 12 ++--- .../fixtures/ai-act/fixture-high-risk.md | 10 ++-- .../tests/fixtures/ai-act/fixture.md | 4 +- plugins/okr/README.md | 2 +- plugins/okr/commands/governance.md | 2 +- plugins/okr/commands/oppsett.md | 6 +-- plugins/okr/commands/skriv.md | 6 +-- .../okr/skills/okr-offentlig-sektor/SKILL.md | 6 +-- .../references/metrics-library.md | 2 +- .../references/okr-examples.md | 6 +-- .../references/okr-framework.md | 12 ++--- .../references/okr-integrations.md | 6 +-- .../references/okr-offentlig-governance.md | 46 +++++++++---------- .../references/okr-sources.md | 2 +- 76 files changed, 191 insertions(+), 191 deletions(-) diff --git a/plugins/linkedin-thought-leadership/agents/network-builder.md b/plugins/linkedin-thought-leadership/agents/network-builder.md index 1116fe9..156f1fe 100644 --- a/plugins/linkedin-thought-leadership/agents/network-builder.md +++ b/plugins/linkedin-thought-leadership/agents/network-builder.md @@ -687,7 +687,7 @@ Profile networking signals: Headline: Include: What you do + Who you help + Signal (e.g., "Open to collabs") - Example: "AI Advisor @ SVV | Helping public sector adopt AI | Speaker & Writer" + Example: "AI Advisor @ [org] | Helping public sector adopt AI | Speaker & Writer" About section: Last paragraph should include: diff --git a/plugins/linkedin-thought-leadership/assets/examples/high-engagement-posts.md b/plugins/linkedin-thought-leadership/assets/examples/high-engagement-posts.md index 147f811..112d422 100644 --- a/plugins/linkedin-thought-leadership/assets/examples/high-engagement-posts.md +++ b/plugins/linkedin-thought-leadership/assets/examples/high-engagement-posts.md @@ -86,11 +86,11 @@ Det føles passende :-) — -Jeg jobber i KI-seksjonen i Statens vegvesen. Mer om dette og andre eksperimenter i kommende innlegg. +Jeg jobber med KI i offentlig sektor. Mer om dette og andre eksperimenter i kommende innlegg. 𝗧𝗶𝗽𝘀: Claude Code Meetup i Oslo arrangeres jevnlig, sjekk [lenke] -#AI #ClaudeCode #VibeCoding #StatensVegvesen #Innovasjon +#AI #ClaudeCode #VibeCoding #OffentligSektor #Innovasjon ``` **Why It Worked (Despite Mistakes):** diff --git a/plugins/linkedin-thought-leadership/skills/linkedin-voice/SKILL.md b/plugins/linkedin-thought-leadership/skills/linkedin-voice/SKILL.md index 2cf6920..db89ebf 100644 --- a/plugins/linkedin-thought-leadership/skills/linkedin-voice/SKILL.md +++ b/plugins/linkedin-thought-leadership/skills/linkedin-voice/SKILL.md @@ -109,7 +109,7 @@ Transform each role with impact statements, not task lists: WHO you help + RESULT you deliver -Strong: "Helping public sector leaders implement AI that actually works | AI Advisor @ Statens vegvesen" +Strong: "Helping public sector leaders implement AI that actually works | AI Advisor @ [your organization]" --- diff --git a/plugins/llm-security/reports/oh-my-openagent-scan-2026-04-02.md b/plugins/llm-security/reports/oh-my-openagent-scan-2026-04-02.md index a770a85..0834d36 100644 --- a/plugins/llm-security/reports/oh-my-openagent-scan-2026-04-02.md +++ b/plugins/llm-security/reports/oh-my-openagent-scan-2026-04-02.md @@ -1,7 +1,7 @@ --- title: "Security Scan Report — oh-my-openagent" subtitle: "Branch: dev | Full scan with deep analysis" -author: "KI-seksjonen, Statens vegvesen" +author: "KI-seksjonen, Direktoratet for digital tjenesteutvikling" date: "2026-04-02" --- diff --git a/plugins/ms-ai-architect/agents/security-assessment-agent.md b/plugins/ms-ai-architect/agents/security-assessment-agent.md index b258f56..ca0b10a 100644 --- a/plugins/ms-ai-architect/agents/security-assessment-agent.md +++ b/plugins/ms-ai-architect/agents/security-assessment-agent.md @@ -267,7 +267,7 @@ Overall Risk: **[Critical/High/Medium/Low]** ## Special Considerations ### Norwegian Public Sector Context -When assessing for Statens vegvesen or other Norwegian public sector: +When assessing for Direktoratet for digital tjenesteutvikling or other Norwegian public sector: - **Data residency**: Must use Norway East/West regions - **Schrems II**: Validate cross-border data transfers, consider EU Data Boundary - **Personopplysningsloven**: GDPR + Norwegian-specific requirements diff --git a/plugins/ms-ai-architect/docs/eu-ai-act-integration-handover.md b/plugins/ms-ai-architect/docs/eu-ai-act-integration-handover.md index b6f2697..1fc1712 100644 --- a/plugins/ms-ai-architect/docs/eu-ai-act-integration-handover.md +++ b/plugins/ms-ai-architect/docs/eu-ai-act-integration-handover.md @@ -9,7 +9,7 @@ ## Kontekst -ms-ai-architect er en Claude Code-plugin for Microsoft AI-arkitektur i norsk offentlig sektor, primært brukt av KTG (AI-rådgiver, Statens vegvesen). Pluginen har allerede DPIA- og ROS-agenter. EU AI Act-støtte skal integreres som en **overordnet regulatory layer** som feeder inn i eksisterende arbeidsflyt. +ms-ai-architect er en Claude Code-plugin for Microsoft AI-arkitektur i norsk offentlig sektor, primært brukt av KTG (AI-rådgiver, Direktoratet for digital tjenesteutvikling). Pluginen har allerede DPIA- og ROS-agenter. EU AI Act-støtte skal integreres som en **overordnet regulatory layer** som feeder inn i eksisterende arbeidsflyt. **Logisk sekvens (uforanderlig):** ``` @@ -37,7 +37,7 @@ Systematisk metodikk for klassifisering i fire steg: 3. Høyrisiko-sjekk via Annex III (8 kategorier) og Annex I (produktsikkerhet) 4. Begrenset/minimal risiko (default) -For hvert steg: beslutningspunkter, terskelverdier, SVV-eksempler. +For hvert steg: beslutningspunkter, terskelverdier, DDT-eksempler. Inkluder: Annex III full liste på norsk med presiseringer for transport/infrastruktur-sektoren. #### 1b. `ai-act-provider-obligations.md` @@ -51,7 +51,7 @@ Forpliktelser for **tilbydere** (organisasjoner som utvikler/tilpasser AI-system - Art. 15: Nøyaktighet, robusthet, cybersikkerhet - Art. 16–27: Kvalitetsstyring, samsvarsvurdering, CE-merking (relevant ved anskaffelse) -SVV-kontekst: Statens vegvesen er typisk **deployer**, ikke provider. Men ved intern utvikling på topp av Azure AI/Copilot Studio: provider-rolle. +DDT-kontekst: Direktoratet for digital tjenesteutvikling er typisk **deployer**, ikke provider. Men ved intern utvikling på topp av Azure AI/Copilot Studio: provider-rolle. #### 1c. `ai-act-deployer-obligations.md` Forpliktelser for **deployere** (organisasjoner som tar i bruk AI-systemer): @@ -63,7 +63,7 @@ Forpliktelser for **deployere** (organisasjoner som tar i bruk AI-systemer): - Informasjon til berørte parter - FRIA-plikt for offentlig sektor (Art. 27) -SVV som deployer: Copilot Studio-agenter, Azure AI Foundry-løsninger, M365 Copilot. +DDT som deployer: Copilot Studio-agenter, Azure AI Foundry-løsninger, M365 Copilot. #### 1d. `ai-act-fria-template.md` Fundamental Rights Impact Assessment – **obligatorisk for offentlig sektor** (Art. 27). @@ -98,7 +98,7 @@ Mal for transparensnotiser per Art. 13 og 52: - Art. 52(3): Deepfake-merking - Art. 50: GPAI-modeller – krav til maskinlesbar metadata -SVV-eksempler: Chatbot på vegvesen.no, AI i saksbehandling. +DDT-eksempler: Chatbot på ddt.no, AI i saksbehandling. #### 1g. `ai-act-microsoft-tools-mapping.md` Kartlegging av Microsoft-verktøy mot AI Act-krav: @@ -148,7 +148,7 @@ tools: **Hjemmel:** Annex III, kategori X – [beskrivelse] ## Rolle -**SVV som:** [Provider / Deployer / Begge] +**DDT som:** [Provider / Deployer / Begge] ## Forpliktelser ### Umiddelbart (innen 2026-08-02) @@ -269,7 +269,7 @@ Legg til i review-sjekklisten: ``` EU AI Act Conformity Check (kjøres automatisk hvis systemet er AI-basert): □ Er systemet klassifisert mot Annex III? -□ Er SVVs rolle (provider/deployer) avklart? +□ Er DDTs rolle (provider/deployer) avklart? □ Er teknisk dokumentasjon (Annex IV) påbegynt? □ Er Art. 14 menneskelig tilsyn implementert i arkitekturen? □ Er logging (Art. 12/26) designet inn – ikke ettermontering? @@ -394,7 +394,7 @@ I eksport-formater (steg 5) – legg til AI Act-output alternativ: ### STEG 8: Opprett tester #### 8a. `tests/fixtures/ai-act/fixture.md` -Test-case: Fiktivt AI-system hos SVV +Test-case: Fiktivt AI-system hos DDT ```markdown # Test-system: FartsPrediksjonsagent @@ -478,11 +478,11 @@ Verifiser at alle eksisterende tester fortsatt passerer. 1. **Sekvens er uforanderlig**: AI Act → DPIA → ROS. Aldri omgå dette. -2. **SVV er typisk deployer**, ikke provider. Men ved intern utvikling (Copilot Studio-agenter bygget internt): provider-rolle. Agenten skal avklare dette eksplisitt. +2. **DDT er typisk deployer**, ikke provider. Men ved intern utvikling (Copilot Studio-agenter bygget internt): provider-rolle. Agenten skal avklare dette eksplisitt. 3. **FRIA er obligatorisk for offentlig sektor** ved høyrisiko-systemer. Ikke valgfritt. -4. **Fristen 2026-08-02 er 162 dager unna** (per 2026-02-22). SVV må ha klassifisert alle høyrisiko-systemer og ha GPAI-compliance på plass innen da. +4. **Fristen 2026-08-02 er 162 dager unna** (per 2026-02-22). DDT må ha klassifisert alle høyrisiko-systemer og ha GPAI-compliance på plass innen da. 5. **Ikke overskriv eksisterende KB-filer**: `ai-act-compliance-guide.md` og `ai-act-annex-iii-checklist.md` er komplette. Referer til dem, ikke erstatt dem. diff --git a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/architecture/adr-template.md b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/architecture/adr-template.md index ebd7a5a..740d2b4 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/architecture/adr-template.md +++ b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/architecture/adr-template.md @@ -308,7 +308,7 @@ Architecture Decision Records (ADR) er ett av de viktigste leveransene fra en l ### Kontekst og problemstilling **Bakgrunn:** -Statens vegvesen trenger en AI-drevet intern helpdesk for å svare på vanlige spørsmål fra 10 000+ ansatte om HR-policyer, IT-prosedyrer og administrative rutiner. Dagens løsning er et tradisjonelt FAQ-system som krever manuell søking og har lav brukertilfredshet. +Direktoratet for digital tjenesteutvikling trenger en AI-drevet intern helpdesk for å svare på vanlige spørsmål fra 10 000+ ansatte om HR-policyer, IT-prosedyrer og administrative rutiner. Dagens løsning er et tradisjonelt FAQ-system som krever manuell søking og har lav brukertilfredshet. **Problem statement:** Velge teknologiplattform for conversational AI agent som kan: @@ -646,7 +646,7 @@ Selv om Azure AI Foundry gir mer fleksibilitet, oppveier ikke dette den 60% høy ### Kontekst og problemstilling **Bakgrunn:** -Vi har en kunde-facing chatbot for Statens vegvesen sitt "Min Side"-portal (brukt av 500k+ innbyggere for å sjekke kjøretøyinfo, bøter, etc.). Chatbot skal svare på vanlige spørsmål og navigere brukere til riktig selvbetjeningsportal. Prototypen er bygget med Azure OpenAI GPT-4 på Standard (pay-as-you-go) deployment. +Vi har en kunde-facing chatbot for Direktoratet for digital tjenesteutvikling sitt "Min Side"-portal (brukt av 500k+ innbyggere for å sjekke kjøretøyinfo, bøter, etc.). Chatbot skal svare på vanlige spørsmål og navigere brukere til riktig selvbetjeningsportal. Prototypen er bygget med Azure OpenAI GPT-4 på Standard (pay-as-you-go) deployment. **Problem statement:** Bestemme deployment-type for production: Standard (pay-per-token) vs Provisioned Throughput Units (PTU) for forutsigbar ytelse og kostnad. @@ -946,7 +946,7 @@ Selv om initial kostnad er høyere (50k belastningtest), er total TCO lavere (5. ### Kontekst og problemstilling **Bakgrunn:** -Statens vegvesen bygger en intern "Ask HR"-chatbot (M365 Copilot declarative agent) som skal svare på HR-policy spørsmål basert på ~5000 dokumenter i SharePoint (arbeidsmiljøloven, ferie-regler, pensjon, etc.). Dokumentene oppdateres ukentlig av HR-avdelingen. +Direktoratet for digital tjenesteutvikling bygger en intern "Ask HR"-chatbot (M365 Copilot declarative agent) som skal svare på HR-policy spørsmål basert på ~5000 dokumenter i SharePoint (arbeidsmiljøloven, ferie-regler, pensjon, etc.). Dokumentene oppdateres ukentlig av HR-avdelingen. **Problem statement:** Velge data source for Retrieval-Augmented Generation (RAG): Skal vi bruke Azure AI Search (med custom indexing) eller SharePoint som direkte data source via Microsoft Graph connectors? diff --git a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-connectors-design-patterns.md b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-connectors-design-patterns.md index 2b4a4a8..6fe28ba 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-connectors-design-patterns.md +++ b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-connectors-design-patterns.md @@ -455,7 +455,7 @@ Hvis Copilot-svar brukes til **vedtak i offentlig sektor**, må: - Kan data forlate Norge? (compliance-vurdering) - Hvilke Microsoft-underleverandører har tilgang? -**Anbefaling for SVV:** +**Anbefaling for DDT:** - **Synced connectors** kun for ikke-sensitive data (public policies, FAQs) - **Federated connectors** for sensitive data (saksdokumenter, brukerdata) - **On-prem connector agent** for høyeste data sovereignty diff --git a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-extensibility-security-patterns.md b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-extensibility-security-patterns.md index ed3cb43..2ea30e2 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-extensibility-security-patterns.md +++ b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-extensibility-security-patterns.md @@ -522,7 +522,7 @@ Start-SPOAccessReview -SiteUrl "https://contoso.sharepoint.com/sites/Finance" - Tilgangskontroll: RBAC via Microsoft Entra ID - Logging og sporbarhet: Microsoft Purview Audit (1 år retention minimum) -### Statens vegvesen-spesifikke hensyn +### Direktoratet for digital tjenesteutvikling-spesifikke hensyn **Dataklassifisering:** - **Åpne data** — Kan brukes i Copilot uten restriksjoner @@ -594,7 +594,7 @@ Descriptor: ### Når anbefale hvilken security pattern? -**Scenario 1: Offentlig sektor (Statens vegvesen) trenger M365 Copilot med intern vegdata** +**Scenario 1: Offentlig sektor (Direktoratet for digital tjenesteutvikling) trenger M365 Copilot med intern vegdata** **Anbefaling:** 1. **Zero Trust foundation (E5 + SharePoint Advanced Management):** diff --git a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/platforms/power-platform.md b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/platforms/power-platform.md index 477c8ab..61f143a 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/platforms/power-platform.md +++ b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/platforms/power-platform.md @@ -42,7 +42,7 @@ Klare til bruk uten trening: - **Invoice processing** - Trekk ut felt fra fakturaer - **Receipt processing** - Les kvitteringsdata - **Business card reader** - Skann visittkort -- **ID reader** - Les pass, førerkort, etc. +- **ID reader** - Les pass, saksbehandling, etc. - **Text translation** - Oversett tekst - **Sentiment analysis** - Analyser følelser i tekst - **Key phrase extraction** - Finn nøkkelord diff --git a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/prompt-engineering/multimodal-prompt-design.md b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/prompt-engineering/multimodal-prompt-design.md index 9ca2a44..019ec16 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-advisor/references/prompt-engineering/multimodal-prompt-design.md +++ b/plugins/ms-ai-architect/skills/ms-ai-advisor/references/prompt-engineering/multimodal-prompt-design.md @@ -346,7 +346,7 @@ Can you tell me what the image depicts? | Sektor | Use case | Multimodal pattern | |--------|----------|-------------------| -| **Vegvesen** | Skaderegistrering vei/bruer fra drone-bilder | Multi-image damage assessment | +| **Direktoratet** | Skaderegistrering vei/bruer fra drone-bilder | Multi-image damage assessment | | **NAV** | Automatisk dokumentklassifisering (skjema med vedlegg) | OCR + structured extraction | | **Helsedirektoratet** | Visuell analyse av offentlige helsedata (grafer) | ⚠️ IKKE medisinske bilder | | **Kulturminnevern** | Katalogisering av bygninger/artefakter | Product catalog pattern | diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md index 649f74c..453994e 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md @@ -114,7 +114,7 @@ class AgentPluginRegistry: { "$schema": "https://schemas.microsoft.com/agent/v2.1/manifest.json", "manifestVersion": "2.1", - "id": "no.svv.agent.byggesak", + "id": "no.ddt.agent.byggesak", "version": "1.3.0", "name": { "short": "Byggesak-agent", diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md index 7afa391..f04be8f 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md @@ -414,7 +414,7 @@ A2A er spesielt relevant for offentlig sektor fordi norske myndigheter opererer | Scenario | Aktører | A2A-kobling | |----------|---------|-------------| | Innbygger-henvendelse (NAV + Skatteetaten) | NAV-agent, Skatteetaten-agent | NAV-agent delegerer skatteoppslag via A2A | -| Statens vegvesen + Politiet | Kjøretøy-agent, Trafikk-agent | Felles trafikkanalyse via A2A | +| Direktoratet for digital tjenesteutvikling + Politiet | Kjøretøy-agent, Trafikk-agent | Felles trafikkanalyse via A2A | | Helseforetak på tvers | Sykehus A-agent, Fastlege-agent | Pasienthistorikk-utveksling (med samtykke) | | DigDir-tjenester | eID-agent, Altinn-agent | Autentisert datautveksling | @@ -432,7 +432,7 @@ A2A er spesielt relevant for offentlig sektor fordi norske myndigheter opererer ```json { - "name": "Vegvesen Kjøretøy-agent", + "name": "Direktoratet Kjøretøy-agent", "version": "2.0.0", "capabilities": { "streaming": false, @@ -586,7 +586,7 @@ Ingen sentral koordinering, hardkodede endpoints, minimal overhead. [Borger] → [Felles inngangsagent (DigDir)] ├─ A2A → [NAV-agent] ├─ A2A → [Skatteetaten-agent] - └─ A2A → [Vegvesen-agent] + └─ A2A → [Direktoratet-agent] ``` Hver etat eier og drifter sin egen agent. Felles inngangsagent orkestrerer via A2A. diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md index 6e37c7c..b326548 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md @@ -34,14 +34,14 @@ For mange organisasjoner er svaret ikke enten-eller, men en hybrid tilnærming d { "name": "IT-Helpdesk", "description": "Hjelper ansatte med IT-problemer", - "instructions": "Du er en IT-helpdesk-assistent for Statens vegvesen. Svar på spørsmål om tilganger, programvare og nettverksproblemer. Referer alltid til relevante KB-artikler. Eskalér til ServiceDesk hvis du ikke kan løse problemet.", + "instructions": "Du er en IT-helpdesk-assistent for Direktoratet for digital tjenesteutvikling. Svar på spørsmål om tilganger, programvare og nettverksproblemer. Referer alltid til relevante KB-artikler. Eskalér til ServiceDesk hvis du ikke kan løse problemet.", "capabilities": [ {"name": "WebSearch", "disabled": true}, {"name": "CodeInterpreter", "disabled": false} ], "knowledge": { "sharepoint_sites": [ - "https://svv.sharepoint.com/sites/IT-KB" + "https://ddt.sharepoint.com/sites/IT-KB" ], "graph_connectors": ["servicenow-connector"] }, diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md index e676fac..2b3c450 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md @@ -89,7 +89,7 @@ public class TenantDeploymentManager var deploymentName = _tenantDeployments[tenantId]; return new AzureChatCompletion( - deploymentName: deploymentName, // f.eks. "gpt-4o-tenant-svv" + deploymentName: deploymentName, // f.eks. "gpt-4o-tenant-ddt" endpoint: _endpoint, credentials: new DefaultAzureCredential() ); diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md index b2df5e4..4321b25 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md @@ -202,7 +202,7 @@ Tving en standard system prompt for alle forespørsler: // Organisasjonens mandatory system prompt var orgSystemPrompt = new JObject { ["role"] = "system", - ["content"] = "You are a helpful assistant for Statens vegvesen. " + + ["content"] = "You are a helpful assistant for Direktoratet for digital tjenesteutvikling. " + "You must respond in Norwegian unless explicitly asked otherwise. " + "Never share personal data, internal processes, or confidential information. " + "Always cite sources when providing factual information." diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md index 894a2b1..831c0bf 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md @@ -10,7 +10,7 @@ Azure API Management (APIM) tilbyr over 75 innebygde policies for transformasjon av foresporsler og svar. Nar organisasjoner eksponerer AI-modeller gjennom APIM som AI gateway, blir transformasjon av request og response kritisk for a standardisere grensesnittet mellom ulike AI-backends (Azure OpenAI, Microsoft Foundry, tredjeparts LLM-er) og konsumerende applikasjoner. Ved a implementere model-agnostiske API-schemaer kan man bytte ut underliggende modeller uten a bryte klientkontrakter. -For norsk offentlig sektor er dette spesielt relevant: organisasjoner som Statens vegvesen, NAV og Skatteetaten kan etablere et standardisert AI-API-lag som abstraherer bort leverandoravhengigheter. Dette stotter prinsippet om leverandoruavhengighet fra Digitaliseringsdirektoratets arkitekturprinsipper, og gir fleksibilitet til a bytte mellom Azure OpenAI, Microsoft Foundry-modeller og fremtidige norske sprakmodeller uten endringer i klientapplikasjoner. +For norsk offentlig sektor er dette spesielt relevant: organisasjoner som Direktoratet for digital tjenesteutvikling, NAV og Skatteetaten kan etablere et standardisert AI-API-lag som abstraherer bort leverandoravhengigheter. Dette stotter prinsippet om leverandoruavhengighet fra Digitaliseringsdirektoratets arkitekturprinsipper, og gir fleksibilitet til a bytte mellom Azure OpenAI, Microsoft Foundry-modeller og fremtidige norske sprakmodeller uten endringer i klientapplikasjoner. Transformasjonspolicies i APIM opererer i fire faser: inbound (request fra klient), backend (request til backend), outbound (response fra backend) og on-error. Denne referansen dekker praktiske monstre for a bygge et robust, model-agnostisk AI-API-lag med APIM-policies. diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md index 7af8583..f6c6eb2 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md @@ -37,7 +37,7 @@ Document Intelligence er del av Azure AI Foundry Tools og fungerer som en IDP (I | Modell | Model ID | Formål | |--------|----------|--------| -| **ID Document** | `prebuilt-idDocument` | Identitetsverifisering (førerkort, pass, ID-kort) | +| **ID Document** | `prebuilt-idDocument` | Identitetsverifisering (saksbehandling, pass, ID-kort) | | **Health Insurance Card** | `prebuilt-healthInsuranceCard.us` | US helseforsikringskort | | **Marriage Certificate** | `prebuilt-marriageCertificate` | Vigselattester | | **US Tax W-2** | `prebuilt-tax.us.w2` | Skattbar kompensasjon | diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md index 535c928..3a6b10c 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md @@ -170,7 +170,7 @@ Unified Catalog tilbyr flere oppdagelsesmekanismer for å finne data: ``` Eksempler på naturlig språk-søk (preview): -Søk: "Jeg trenger tre år med trafikkdata fra Statens vegvesen +Søk: "Jeg trenger tre år med trafikkdata fra Direktoratet for digital tjenesteutvikling for å analysere rushtrafikk-mønstre" Resultat: Data products med trafikktelledata, reisehastighetsmålinger @@ -381,7 +381,7 @@ ai_terms = [ "skal predikere på.", "abbreviation": "TD", "glossary_guid": ai_glossary_guid, - "owner": "ml-team@vegvesen.no", + "owner": "ml-team@ddt.no", "regulation": "GDPR Art. 6 - Lovlig behandlingsgrunnlag" }, { @@ -389,7 +389,7 @@ ai_terms = [ "definition": "Sentralisert repository for beregning, lagring og " "servering av ML-features med punkt-i-tid korrekthet.", "glossary_guid": ai_glossary_guid, - "owner": "data-engineering@vegvesen.no" + "owner": "data-engineering@ddt.no" }, { "name": "Dataminimering", @@ -518,9 +518,9 @@ def assign_data_owner(purview_endpoint, token, asset_guid, owner_info): # Eksempel: Tilordne eierskap for ML-datasett assign_data_owner(endpoint, token, gold_features_guid, { - "email": "ml-team@vegvesen.no", + "email": "ml-team@ddt.no", "aad_object_id": "abc-123-def", - "expert_email": "data-scientist@vegvesen.no", + "expert_email": "data-scientist@ddt.no", "expert_aad_id": "ghi-456-jkl" }) ``` diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md index a361b4e..132dbb0 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md @@ -10,7 +10,7 @@ Data mesh er en desentralisert dataarkitektur som organiserer data etter forretningsdomener i stedet for sentraliserte datateam. Prinsippene -- domeneeierskap, data som produkt, selvbetjeningsplattform og foderert styring -- er spesielt relevante for store organisasjoner som bygger AI-losninger pa tvers av avdelinger. Microsoft Fabric stotter data mesh-arkitektur gjennom domener, OneLake shortcuts og foderert governance. -For norsk offentlig sektor, der departementer og direktorater har ulike datadomener med forskjellig regulering, er data mesh en naturlig tilnaerming. Statens vegvesen, NAV, Skatteetaten og andre etater kan eie sine egne dataprodukter mens de deler data gjennom en felles plattform. Fabric-domener muliggjor dette uten a duplisere data pa tvers av organisatoriske grenser. +For norsk offentlig sektor, der departementer og direktorater har ulike datadomener med forskjellig regulering, er data mesh en naturlig tilnaerming. Direktoratet for digital tjenesteutvikling, NAV, Skatteetaten og andre etater kan eie sine egne dataprodukter mens de deler data gjennom en felles plattform. Fabric-domener muliggjor dette uten a duplisere data pa tvers av organisatoriske grenser. AI-arbeidsbelastninger krever data fra mange domener: kundedata, transaksjonsdata, sensordata og referansedata. En data mesh-tilnaerming sikrer at hvert domene leverer kvalitetsdata som et produkt, med klare kontrakter og SLAer, noe som er kritisk for palitelige ML-modeller og AI-agenter. @@ -234,10 +234,10 @@ response = requests.post( ### Cross-tenant datadeling -For deling mellom organisasjoner (f.eks. mellom Statens vegvesen og Meteorologisk institutt): +For deling mellom organisasjoner (f.eks. mellom Direktoratet for digital tjenesteutvikling og Meteorologisk institutt): ``` -Tenant A: Statens vegvesen Tenant B: MET +Tenant A: Direktoratet for digital tjenesteutvikling Tenant B: MET +----------------------------+ +----------------------------+ | OneLake | | OneLake | | Workspace: Vaerdata | | Workspace: Observasjoner | diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md index 0510d2e..bd6646f 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md @@ -542,7 +542,7 @@ default_args = { "owner": "ai-team", "depends_on_past": True, "email_on_failure": True, - "email": ["ai-team@statens-vegvesen.no"], + "email": ["ai-team@statens-ddt.no"], "retries": 2, "retry_delay": timedelta(minutes=5) } diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md index 07f913f..6da61b2 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md @@ -442,5 +442,5 @@ def calculate_psi(reference, current, buckets=10): - **Bruk denne referansen** når brukeren planlegger ML-infrastruktur, trenger feature-gjenbruk på tvers av prosjekter, eller ønsker å operasjonalisere feature engineering. - Anbefal **Azure ML Managed Feature Store** for organisasjoner med flere ML-team som trenger å dele features. For enkeltprosjekter er **Delta-tabeller i Silver layer** ofte tilstrekkelig. - **Point-in-time lookups er ikke-forhandlingsbart** for tidsserie-features -- uten dette vil modeller lekke fremtidig informasjon og vise urealistisk god ytelse i testing. -- For norsk offentlig sektor: Feature stores muliggjør **sentral styring** av beregninger som brukes på tvers av etater -- Statens vegvesen kan dele trafikkfeatures med andre transportetater via feature store-deling. +- For norsk offentlig sektor: Feature stores muliggjør **sentral styring** av beregninger som brukes på tvers av etater -- Direktoratet for digital tjenesteutvikling kan dele trafikkfeatures med andre transportetater via feature store-deling. - Start med **Data Wrangler** for utforskende feature engineering, deretter formaliser i feature set-spesifikasjoner når features er validert og skal til produksjon. diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md index 9abe3aa..fce41a5 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md @@ -354,7 +354,7 @@ upsert_reference_data( | **Folkeregisteret** | Skatteetaten | Personentiteter i NER, chatbots | | **Enhetsregisteret** | Bronnoysundregistrene | Organisasjonsdata for bedriftsanalyse | | **Matrikkelen** | Kartverket | Eiendomsdata for geospatial AI | -| **NVDB** | Statens vegvesen | Veidata for trafikkmodeller | +| **NVDB** | Direktoratet for digital tjenesteutvikling | Veidata for trafikkmodeller | | **Kommuneregisteret** | SSB | Geografisk referanse | ```python diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md index 4b47759..c79eb78 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md @@ -10,7 +10,7 @@ Sanntidsdatastrømming er en fundamental byggestein for AI-applikasjoner som krever umiddelbar respons på hendelser -- fra IoT-sensorer og transaksjoner til brukeratferd og systemmetrikker. Microsoft Fabric Real-Time Intelligence kombinert med Azure Event Hubs og Apache Kafka gir en komplett plattform for inntak, transformasjon og analyse av strømmedata som mater AI-modeller med oppdatert informasjon. -For norsk offentlig sektor er sanntidsarkitektur særlig relevant for trafikkmonitorering (Statens vegvesen), helseovervåking, energistyring og beredskapsrespons. Evnen til å oppdage avvik i sanntid og utløse automatiserte handlinger basert på AI-prediksjoner kan redusere responstider dramatisk og forbedre tjenestekvalitet. +For norsk offentlig sektor er sanntidsarkitektur særlig relevant for trafikkmonitorering (Direktoratet for digital tjenesteutvikling), helseovervåking, energistyring og beredskapsrespons. Evnen til å oppdage avvik i sanntid og utløse automatiserte handlinger basert på AI-prediksjoner kan redusere responstider dramatisk og forbedre tjenestekvalitet. Denne referansen dekker arkitekturmønstre for å integrere Event Hubs, Kafka og Fabric Eventstream med AI-applikasjoner, inkludert Spark Structured Streaming, KQL Database for tidsserieanalyse, og mønster for hendelsesfiltrering og avledede strømmer. diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md index 2f5ec96..7422417 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md @@ -110,7 +110,7 @@ completion = ( # Lag prompts for syntetisk datagenerering prompts_df = spark.createDataFrame([ - ("Generer en realistisk kundehenvendelse til Statens vegvesen om førerkort-fornyelse.",), + ("Generer en realistisk kundehenvendelse til Direktoratet for digital tjenesteutvikling om saksbehandling-fornyelse.",), ("Generer en syntetisk trafikkrapport for E6 ved Lillehammer med kødata.",), ("Generer et eksempel på en byggesøknad til Plan- og bygningsetaten.",), ], ["prompt"]) diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md index 5f8e73d..917b225 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md @@ -154,7 +154,7 @@ Video Indexer ekstraherer tekst frå bilete og video gjennom OCR: ```json { "id": 1, - "text": "Statens vegvesen", + "text": "Direktoratet for digital tjenesteutvikling", "confidence": 0.95, "left": 120, "top": 50, diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md index f9c8158..2a10594 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md @@ -401,7 +401,7 @@ Bruk Phi-4 på edge for rask triagering, send berre komplekse tilfelle til cloud ### Bruksscenario -- **Vegvesenet**: Analyse av vegdekkeskade frå inspeksjonsbilete +- **Direktoratetet**: Analyse av vegdekkeskade frå inspeksjonsbilete - **Kartverket**: Klassifisering av satellittbilete og kartdata - **Kulturminnevern**: Digital katalogisering av kulturminne - **Helsesektoren**: Analyse av røntgen/MR med AI-assistanse (medisinsk produkt-regulering) @@ -435,6 +435,6 @@ Bruk Phi-4 på edge for rask triagering, send berre komplekse tilfelle til cloud - **Cascade-mønsteret** (Azure AI Vision først, GPT-4o for komplekse tilfelle) reduserer kostnad med 60-80% — bruk Vision for filtrering/kategorisering og GPT-4o berre for det som krev resonnering - **Vision fine-tuning av GPT-4o** (2024-08-06) gir domene-spesialisering — men Azure filtrerer automatisk ut bilete med personar/ansikt frå treningsdata, noko som avgrensar bruksområdet -- **Phi-4-multimodal-instruct** med Student-Teacher fine-tuning frå GPT-4o gir edge-kapabel vision AI — relevant for Vegvesenet sin inspeksjonsinfrastruktur og andre offline-scenario +- **Phi-4-multimodal-instruct** med Student-Teacher fine-tuning frå GPT-4o gir edge-kapabel vision AI — relevant for Direktoratetet sin inspeksjonsinfrastruktur og andre offline-scenario - **Few-shot visual learning** med GPT-4o krev berre 3-5 eksempelbilete for ny klassifiseringsoppgåve — bruk `detail: "low"` på eksempel (85 tokens) og `detail: "high"` på target for å optimalisere kostnad - **Multimodal embeddings** (Azure AI Vision v4.0) støttar 102 språk og muliggjer semantisk bildesøk — bruk for å bygge søkbare bildearkiv i offentleg sektor diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md index 01d045e..7016ece 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md @@ -109,7 +109,7 @@ response = client.chat.completions.create( { "role": "system", "content": """Du er ein bildeklassifiseringsekspert for - Statens vegvesen. Klassifiser vegskader i kategoriane: + Direktoratet for digital tjenesteutvikling. Klassifiser vegskader i kategoriane: - SPREKK_LANGSGAAANDE - SPREKK_TVERRGAAANDE - HULLROT diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md index 163ea0d..d43fee3 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md @@ -331,7 +331,7 @@ AVGRENSINGAR: # Eksempel: Vegskade-vurdering system_message = VISUAL_SYSTEM_TEMPLATE.format( - rolle="Vegingeniør med 20 års erfaring frå Statens vegvesen", + rolle="Vegingeniør med 20 års erfaring frå Direktoratet for digital tjenesteutvikling", kontekst="Årlege veginspeksjonar for fylkesvegar i Noreg", oppgåve="Vurder vegskade og anbefal vedlikehaldstiltak", steg_for_steg_instruksjonar=""" diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md index 97af6fa..18b1004 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md @@ -107,7 +107,7 @@ async def realtime_conversation(): "session": { "modalities": ["text", "audio"], "instructions": ( - "Du er ein norsk kundeserviceagent for Statens vegvesen. " + "Du er ein norsk kundeserviceagent for Direktoratet for digital tjenesteutvikling. " "Svar på norsk. Ver høfleg og presis." ), "voice": "alloy", @@ -361,7 +361,7 @@ def estimate_realtime_cost(sessions_per_day, avg_duration_minutes): - **NAV kontaktsenter**: Automatisert talebasert rettleiing for ytingar og søknader - **Kommunale servicesentra**: 24/7 talebasert borgarservice - **Helsevesenet**: Triageringssamtalar med automatisk dokumentasjon -- **Vegvesenet**: Talebasert rettleiing for førarkort og køyretøytenester +- **Direktoratetet**: Talebasert rettleiing for førarkort og køyretøytenester ### Regulatoriske krav diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md index a7b488e..33139ec 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md @@ -88,7 +88,7 @@ For norsk offentleg sektor med spesialisert terminologi: ```python # Phrase list for forbetra norsk gjenkjenning phrase_list = speechsdk.PhraseListGrammar.from_recognizer(speech_recognizer) -phrase_list.addPhrase("Statens vegvesen") +phrase_list.addPhrase("Direktoratet for digital tjenesteutvikling") phrase_list.addPhrase("E6 Megården-Mørsvikbotn") phrase_list.addPhrase("Utredningsinstruksen") phrase_list.addPhrase("Forvaltningsloven") diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md index 18c6573..b3e07fb 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md @@ -65,7 +65,7 @@ synthesizer = speechsdk.SpeechSynthesizer( # Teksten sin automatisk detekterte språk styrer uttale result = synthesizer.speak_text_async( - "Dette vedtaket er sendt til deg fra Statens vegvesen." + "Dette vedtaket er sendt til deg fra Direktoratet for digital tjenesteutvikling." ).get() if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted: @@ -123,7 +123,7 @@ SSML (Speech Synthesis Markup Language) gir finkornet kontroll over korleis teks - Velkommen til Statens vegvesen sin telefonteneste. + Velkommen til Direktoratet for digital tjenesteutvikling sin telefonteneste. diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md index f1e16c3..473886c 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md @@ -10,7 +10,7 @@ Videoanalyse og -forståing på Azure-plattforma kombinerer Azure AI Video Indexer sin spesialiserte videoanalyse med generative AI-modellar som GPT-4o for djupare semantisk forståing. Video Indexer ekstraherer over 30 ulike typar innsikt frå video — inkludert scenedeteksjon, talegjenkjenning, emosjonanalyse, OCR, ansiktsgjenkjenning og objektdeteksjon — medan GPT-4o sine visuelle kapabilitetar opnar for fri-form analyse av enkeltbilete og keyframes. -For norsk offentleg sektor er videoanalyse relevant for fleire bruksområde: analyse av overvakingsvideo for Statens vegvesen, transkripsjon og søk i offentlege høyringar for Stortinget, tilgjengelegheitsanalyse av offentleg video, og automatisert kvalitetskontroll av opplæringsvideo. Azure Video Indexer støttar norsk tale-til-tekst og kan oversette til 50+ språk. +For norsk offentleg sektor er videoanalyse relevant for fleire bruksområde: analyse av overvakingsvideo for Direktoratet for digital tjenesteutvikling, transkripsjon og søk i offentlege høyringar for Stortinget, tilgjengelegheitsanalyse av offentleg video, og automatisert kvalitetskontroll av opplæringsvideo. Azure Video Indexer støttar norsk tale-til-tekst og kan oversette til 50+ språk. Azure AI Video Indexer tilbyr også real-time videoanalyse (preview) via Azure Arc-enabled infrastruktur, som mogleggjer sanntidsanalyse av livevideo ved kanten — relevant for trafikkmonitorering og smart byinfrastruktur. @@ -330,7 +330,7 @@ Video Indexer ekstraherer rike audio-innsikter: ### Bruksscenario -- **Statens vegvesen**: Trafikkvideoanalyse for hendingsdeteksjon og trafikkflyt +- **Direktoratet for digital tjenesteutvikling**: Trafikkvideoanalyse for hendingsdeteksjon og trafikkflyt - **Stortinget**: Søkbar indeksering av høyringar og debattar - **NRK**: Automatisk underteksting og innhaldsklassifisering - **Kommunar**: Analyse av bystyremøte med talar-identifisering diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md index ec68844..e44962c 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md @@ -341,7 +341,7 @@ phrase_list = speechsdk.PhraseListGrammar.from_recognizer(recognizer) # Norske forvaltingstermar forvaltingstermar = [ - "Statens vegvesen", "Digitaliseringsdirektoratet", + "Direktoratet for digital tjenesteutvikling", "Digitaliseringsdirektoratet", "forvaltingslova", "offentleglova", "personopplysningslova", "DPIA", "GDPR", "ROS-analyse", "Schrems II", "Microsoft Entra ID", "Azure AI Foundry", diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md index 12018cd..513954a 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md @@ -33,7 +33,7 @@ I Azure-stakken implementeres contextual retrieval via en **Custom Web API Skill Original chunk: "Forskningen understreket AI" → Problematisk: Hvem, når, hvilken AI? -Contextual chunk: "Fra Statens vegvesen sin 2025-rapport om autonome +Contextual chunk: "Fra Direktoratet for digital tjenesteutvikling sin 2025-rapport om autonome kjøretøy. Dette avsnittet diskuterer AI-teknologier for selvkjørende biler. Forskningen understreket AI" → Tydelig: LLM kan nå forstå konteksten diff --git a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md index cffb697..98b60f0 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md +++ b/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md @@ -445,7 +445,7 @@ Azure AI Foundry støtter fine-tuning av embedding-modeller via **Custom Models* ```jsonl {"query": "hva er regelverket for kunstig intelligens i norge", "document": "AI-forordningen (EU AI Act) trådte i kraft...", "label": 1} -{"query": "azure openai prising", "document": "Vegvesenets budsjett for 2025...", "label": 0} +{"query": "azure openai prising", "document": "Direktoratetets budsjett for 2025...", "label": 0} ``` **Tips for norsk/skandinavisk:** diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md index af1adae..022c48c 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md @@ -86,7 +86,7 @@ Dersom systemet tilhører flere sektorer, kombineres relevante sjekklister. Sekt - **Forskrift om ITS (Intelligent Transport Systems)** — EU ITS-direktiv implementert i norsk rett - **NKOM ITS-retningslinjer** — Nasjonal kommunikasjonsmyndighets krav til ITS-kommunikasjon - **Veglova** — Vegmyndighetenes ansvar for statlig og kommunalt vegnett -- **Statens vegvesens håndbok V440** — Trafikksikkerhetsvurdering av veg og trafikkanlegg +- **Direktoratet for digital tjenesteutviklings håndbok V440** — Trafikksikkerhetsvurdering av veg og trafikkanlegg ### Sjekkliste transport (18 punkter) @@ -97,7 +97,7 @@ Dersom systemet tilhører flere sektorer, kombineres relevante sjekklister. Sekt | T-03 | Er systemets håndtering av "worst-case"-scenarioer (glatt veg, sikt null, kritisk infrastrukturfeil) dokumentert og testet? | Sikkerhet | Kritisk | | T-04 | Er fail-safe-modus definert — dvs. hva systemet gjør ved tap av sensordata, kommunikasjon eller modellkrash? | Robusthet | Kritisk | | T-05 | Er ansvarsfordeling ved AI-relatert ulykke avklart juridisk — mellom system-eier, operatør og individuell bruker? | Juridisk / Ansvarlighet | Kritisk | -| T-06 | Er systemet sertifisert eller under sertifiseringsløp hos relevant tilsynsmyndighet (Statens vegvesen, Jernbanetilsynet, Luftfartstilsynet, Sjøfartsdirektoratet)? | Regulatorisk | Kritisk | +| T-06 | Er systemet sertifisert eller under sertifiseringsløp hos relevant tilsynsmyndighet (Direktoratet for digital tjenesteutvikling, Jernbanetilsynet, Luftfartstilsynet, Sjøfartsdirektoratet)? | Regulatorisk | Kritisk | | T-07 | Er realtidsforsinkelse (latency) testet under verste-fall-nettverk, og er sikkerhetskritiske beslutninger tolerante overfor kommunikasjonsavbrudd? | Robusthet | Kritisk | | T-08 | Er det etablert cyberresiliens mot trusler som GPS-spoofing, LiDAR-jamming og V2X-kommunikasjonsangrep? | Sikkerhet / Cyber | Kritisk | | T-09 | Er systemet testet for norske klimaforhold (is, snø, mørketid, lavt solstå) som skaper ODD-avvik (Operational Design Domain)? | Kvalitet / Robusthet | Høy | diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md index 24ea162..e2c7d00 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md @@ -121,7 +121,7 @@ Er AI-systemet oppført i Annex I / Art. 5 (forbudte praksiser)? **Norsk kontekst:** - Statnett: AI for lastbalansering i strømnett: Høyrisiko -- Statens vegvesen: AI-styrt trafikksignal: Høyrisiko +- Direktoratet for digital tjenesteutvikling: AI-styrt trafikksignal: Høyrisiko - Kommune: AI for overvåking av vannkvalitet med automatisk stans: Høyrisiko - Kommune: AI-chatbot for feilmelding på vann: IKKE høyrisiko (ingen sikkerhetskomponent) @@ -413,7 +413,7 @@ Den nye forvaltningsloven (vedtatt 3. juni 2025, Prop. 79 L (2024-2025)) innehol | Domstol: AI for juridisk forskning | 8a | Nei | (d) Forberedende | Grensetilfelle — konservativt HØYRISIKO | | UDI: AI-oversettelse av dokumenter | — | Nei | (a) Smal prosedyre | **IKKE HØYRISIKO** | | Kommune: AI for dokumentklassifisering | — | Nei | (a) Smal prosedyre | **IKKE HØYRISIKO** | -| Statens vegvesen: AI-styrt trafikklys | 2a | Nei | Nei (sikkerhetskomponent) | **HØYRISIKO** | +| Direktoratet for digital tjenesteutvikling: AI-styrt trafikklys | 2a | Nei | Nei (sikkerhetskomponent) | **HØYRISIKO** | | Politiet: Prediktiv policing | 6d/6e | Ja | Nei | **HØYRISIKO** | | Universitet: AI-karakter på essay | 3b | Ja | Nei | **HØYRISIKO** | | Universitet: AI stavekontroll på oppgave | — | Nei | (b) Forbedring | **IKKE HØYRISIKO** | diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md index 6374457..faeab94 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md @@ -165,24 +165,24 @@ Offentlig sektor er typisk **deployer** — de kjøper og tar i bruk AI-systemer 2. De setter navn på systemet og markedsfører det utad (Art. 25(1)(a)) 3. De integrerer et high-risk AI-system som endrer opprinnelig tiltenkt formål vesentlig -Statens vegvesen eksempel: Kjøper Microsoft Copilot Studio → **Deployer**. Bygger eget prediksjonsverktøy basert på Azure OpenAI med tilpasset sikkerhetsdomenetrening → vurder om → **Provider**. +Direktoratet for digital tjenesteutvikling eksempel: Kjøper Microsoft Copilot Studio → **Deployer**. Bygger eget prediksjonsverktøy basert på Azure OpenAI med tilpasset sikkerhetsdomenetrening → vurder om → **Provider**. --- ## Transport-sektoreksempler -### Eksempel 1: FartsPrediksjonsagent (Statens vegvesen) +### Eksempel 1: FartsPrediksjonsagent (Direktoratet for digital tjenesteutvikling) - Formål: Predikerer trafikkflyt og anbefaler fartsgrenser på variabelt oppsatte skilt - Steg 1: Ingen forbudte praksiser → NEI - Steg 2: Kritisk infrastruktur (Annex III, pkt. 2)? Påvirker trafikksikkerhet → JA, men kun dersom det tar **bindende** beslutninger. Dersom det kun er et beslutningsstøtteverktøy med menneskelig godkjenning → vurder Art. 6(2) unntak - Klassifisering: **Minimal risiko** (beslutningsstøtte) eller **Høyrisiko** (autonomt bindende) -### Eksempel 2: AutomatiskSaksbehandler for førerkortvurdering -- Formål: Vurderer automatisk om en søker oppfyller helsekrav for førerkort +### Eksempel 2: AutomatiskSaksbehandler for saksbehandlingvurdering +- Formål: Vurderer automatisk om en søker oppfyller helsekrav for saksbehandling - Steg 1: NEI til alle forbudte praksiser - Steg 2: Kategori 4 (viktige offentlige tjenester) → JA, tilgang til offentlig tjeneste - Klassifisering: **HØYRISIKO** (Annex III, pkt. 5) -- Rolle: Statens vegvesen = **Deployer** +- Rolle: Direktoratet for digital tjenesteutvikling = **Deployer** - Krav: FRIA (Art. 27), logging 6 mnd, samsvarsvurdering fra provider ### Eksempel 3: Trafikkstyringsagent @@ -269,7 +269,7 @@ Bruk denne filen når brukeren trenger å klassifisere et AI-system under EU AI 1. Gå gjennom steg 1-4 systematisk — hopp ikke over steg 2. Still vurderingsspørsmålene eksplisitt for brukerens system 3. Dokumenter hvert steg i klassifiseringsrapporten (anbefalt vedlegg til FRIA) -4. Bruk transport-sektoreksemplene som analogi når Statens vegvesen er deployer +4. Bruk transport-sektoreksemplene som analogi når Direktoratet for digital tjenesteutvikling er deployer 5. Flagg grensetilfeller og anbefal konsultasjon med tilsynsmyndighet **Kobling til andre KB-filer:** diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md index 824c51b..3b3cf82 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md @@ -213,7 +213,7 @@ START: Har du et AI-system? |----------|-----------|-------------| | NAV: AI-assistert søknadsbehandling for uføretrygd | **JA** | Annex III (velferdsytelser) + profiling av søkere | | Helsedirektoratet: AI for pasientdiagnostikk | **JA** | Annex III (helsevesen) + sikkerhetskomponent i medisinsk utstyr | -| Statens vegvesen: Chatbot for førerkortspørsmål | **NEI** | Begrenset risiko (transparenskrav, men ikke høyrisiko) | +| Direktoratet for digital tjenesteutvikling: Chatbot for saksbehandlingspørsmål | **NEI** | Begrenset risiko (transparenskrav, men ikke høyrisiko) | | Kommune: AI-drevet dokumentklassifisering (kun metadata) | **NEI** | Smal prosedyreoppgave uten profiling | | Politiet: Prediktiv policing (risikovurdering) | **JA** | Annex III (rettshåndhevelse) + høy menneskerettighetsimpakt | diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md index 7b455f9..3404de3 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md @@ -25,7 +25,7 @@ Annex IV spesifiserer hvilken teknisk dokumentasjon som kreves. Under følger hv - Overordnet beskrivelse av funksjonalitet **Eksempel:** -> "VegvAI-Saksbehandler v2.1 er et beslutningsstøttesystem for saksbehandlere i Statens vegvesen (Annex III, punkt 5a). Systemet analyserer søknader om dispensasjon fra veitrafikklovgivningen og genererer et begrunnet utkast til vedtak. Endelig vedtak fattes alltid av autorisert saksbehandler." +> "VegvAI-Saksbehandler v2.1 er et beslutningsstøttesystem for saksbehandlere i Direktoratet for digital tjenesteutvikling (Annex III, punkt 5a). Systemet analyserer søknader om dispensasjon fra veitrafikklovgivningen og genererer et begrunnet utkast til vedtak. Endelig vedtak fattes alltid av autorisert saksbehandler." **Typiske mangler:** - Annex III-kategorien er ikke spesifisert @@ -135,7 +135,7 @@ Annex IV spesifiserer hvilken teknisk dokumentasjon som kreves. Under følger hv - Dokumentstyring **Eksempel:** -> "Statens vegvesen følger ISO 9001:2015. AI-spesifikke tilleggsprosedyrer: SVV-AI-P01 (Anskaffelse av AI-systemer), SVV-AI-P02 (Samsvarsvurdering), SVV-AI-P03 (Incident management). AI-ansvarlig (rolle) er utpekt og har gjennomført EU AI Act Foundation-sertifisering (IAPP, 2025)." +> "Direktoratet for digital tjenesteutvikling følger ISO 9001:2015. AI-spesifikke tilleggsprosedyrer: DDT-AI-P01 (Anskaffelse av AI-systemer), DDT-AI-P02 (Samsvarsvurdering), DDT-AI-P03 (Incident management). AI-ansvarlig (rolle) er utpekt og har gjennomført EU AI Act Foundation-sertifisering (IAPP, 2025)." **Typiske mangler:** - QMS er referert uten AI-spesifikke prosedyrer @@ -224,7 +224,7 @@ Attestnummer: [Attestnummer fra notified body] **6. Teknisk dokumentasjon** Teknisk dokumentasjon utarbeidet i henhold til Annex IV er tilgjengelig hos tilbyderen og kan fremlegges for relevante myndigheter på forespørsel. -Dokumentreferanse: [Intern dokumentkode, f.eks. SVV-AI-TD-001 v2.1] +Dokumentreferanse: [Intern dokumentkode, f.eks. DDT-AI-TD-001 v2.1] **7. EU-databaseregistrering** diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md index d2e07c2..269e66b 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md @@ -217,4 +217,4 @@ Bruk denne filen når brukeren er **deployer** av et høyrisiko-AI-system — ty - Provider-krav for leverandørvurdering → `ai-act-provider-obligations.md` - DPIA kobling → `../norwegian-public-sector-governance/` -**Norsk kontekst:** Statens vegvesen, Skatteetaten og kommuner er typisk deployers. Innkjøp gjennom Statens standardavtaler (SSA) — spesielt SSA-D (driftsavtale) bør suppleres med AI Act-spesifikke vedlegg fra 2026. +**Norsk kontekst:** Direktoratet for digital tjenesteutvikling, Skatteetaten og kommuner er typisk deployers. Innkjøp gjennom Statens standardavtaler (SSA) — spesielt SSA-D (driftsavtale) bør suppleres med AI Act-spesifikke vedlegg fra 2026. diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md index 0f4d3ea..e163737 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md @@ -205,12 +205,12 @@ Lenker til relaterte dokumenter som bør arkiveres sammen med FRIA: --- -## Eksempel: FRIA for AutomatiskSaksbehandler Førerkort (Statens vegvesen) +## Eksempel: FRIA for AutomatiskSaksbehandler (Direktoratet for digital tjenesteutvikling) Illustrativt eksempel for å vise utfylt mal: **Seksjon 1 (utdrag):** -- Systemnavn: AutomatiskSaksbehandler Førerkort v2.0 +- Systemnavn: AutomatiskSaksbehandler v2.0 - Provider: [Leverandørnavn] - Klassifisering: Høyrisiko — Annex III, kategori 5 (viktige offentlige tjenester) - Beslutningstype: Beslutningsstøtte — AI anbefaler, saksbehandler godkjenner diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md index ba48648..9c0109d 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md @@ -107,7 +107,7 @@ Teknisk dokumentasjon skal utarbeides **før** systemet settes på markedet og h ### 9 påkrevde elementer med eksempler **Element 1: Generell systembeskrivelse** -Eksempel: "AutomatiskSaksbehandlerFørerkort v2.1 — AI-system for automatisk vurdering av helsekrav ved søknad om førerkort. Deployer: Statens vegvesen. Provider: [Leverandørnavn]. Tiltenkt formål: Behandling av klasse B og BE søknader." +Eksempel: "AutomatiskSaksbehandler v2.1 — AI-system for automatisk vurdering av helsekrav ved søknad om saksbehandling. Deployer: Direktoratet for digital tjenesteutvikling. Provider: [Leverandørnavn]. Tiltenkt formål: Behandling av ulike søknadskategorier." **Element 2: Design-spesifikasjoner og utviklingsprosess** - Systemarkitektur og komponentoversikt diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md index 0005751..7f29c6d 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md @@ -20,16 +20,16 @@ Art. 13(3) spesifiserer hva bruksinstruksjoner for høyrisiko-AI-systemer skal i | Nr. | Punkt | Hva som kreves | Eksempel | |-----|-------|----------------|---------| -| a | Identitet og kontaktinformasjon | Tilbyderens navn, adresse og kontaktpunkt for henvendelser om systemet | "Levert av Statens vegvesen, Vegdirektoratet. Kontakt: ai-support@vegvesen.no" | +| a | Identitet og kontaktinformasjon | Tilbyderens navn, adresse og kontaktpunkt for henvendelser om systemet | "Levert av Direktoratet for digital tjenesteutvikling, Vegdirektoratet. Kontakt: ai-support@ddt.no" | | b | Systemets egenskaper og ytelse | Nøyaktighetsmetrikker, kjente begrensninger, sannsynlige feilmønstre | "Systemet har 94% presisjon på standardsaker. Sjeldne dispensasjonstyper håndteres dårligere." | | c | Tiltenkt formål | Spesifikk brukskontekst systemet er designet og validert for | "Beslutningsstøtte for saksbehandlere ved søknader om dispensasjon fra veitrafikkloven §X" | | d | Systemnivå av nøyaktighet | Kvantitative mål, konfidensintervaller, ytelse på ulike undergrupper | "F1-score: 0,915 på valideringsett (500 historiske saker, 2023–2024)" | -| e | Forventede brukere | Hvem systemet er designet for (kompetanse, rolle, opplæringskrav) | "Autoriserte saksbehandlere med gjennomført e-læring (SVV-AI-L01, 2 timer)" | +| e | Forventede brukere | Hvem systemet er designet for (kompetanse, rolle, opplæringskrav) | "Autoriserte saksbehandlere med gjennomført e-læring (DDT-AI-L01, 2 timer)" | | f | Forhåndsbehandlet inndata | Spesifikasjoner for inndata systemet forventer | "Søknadsskjema PDF. Bilder: maks 10 MB, JPEG/PNG. Ikke støttet: håndskrevne dokumenter" | | g | Mål og begrensninger | Hva systemet er designet for å oppnå og kjente begrensninger | "Genererer vedtaksutkast — erstatter ikke juridisk vurdering. Bør ikke brukes alene for saker med > 500 000 NOK konsekvens" | | h | Kjente og forutsigbare bivirkninger | Risikosituasjoner som kan oppstå ved tiltenkt bruk | "Kan overrepresentere avslag for søkere fra bestemte regioner (bias-kartlagt, se vedlegg B)" | | i | Human-in-the-loop | Grad av menneskelig tilsyn som kreves og beskrivelse av mekanismer | "Saksbehandler må aktivt godkjenne hvert vedtaksutkast. Systemet kan ikke sende vedtak automatisk." | -| j | Forventede levetid og vedlikehold | Planlagt levetid, oppdateringsfrekvens, prosedyre for å melde feil | "Levetid: 3 år (2026–2029). Kvartalsvis modellgjennomgang. Feilmelding: ai-incident@vegvesen.no" | +| j | Forventede levetid og vedlikehold | Planlagt levetid, oppdateringsfrekvens, prosedyre for å melde feil | "Levetid: 3 år (2026–2029). Kvartalsvis modellgjennomgang. Feilmelding: ai-incident@ddt.no" | | k | Datakvalitetskrav | Egenskaper ved inndata som påvirker ytelsen | "Søknadsdokumenter må være maskinlesbare PDF-er. Skannet tekst (OCR-konvertert) reduserer nøyaktighet med ca. 8%" | ### Mal for bruksinstruksjon-dokument @@ -176,7 +176,7 @@ Art. 50(4) krever merking av syntetiske bilde-, lyd- og videoopptak av virkelige ### Mal 1: Borgermøtende chatbot-notis -**Kontekst:** Offentlig chatbot på nav.no, vegvesen.no, skatteetaten.no o.l. +**Kontekst:** Offentlig chatbot på nav.no, ddt.no, skatteetaten.no o.l. **Anbefalt plassering:** Øverst i chat-vinduet, alltid synlig diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md index 7f19ec4..1cbf2bb 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md @@ -507,7 +507,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå | **Personvernombud involvement** | PVO må være involvert i AI-prosjekter | CoE etablerer fast møtepunkt med PVO. Personvernkonsekvensvurdering (DPIA) for AI. | | **Sikkerhetslov og Beskyttelsesinstruksen** | Høyere sikkerhetskrav for sensitive data | CoE definerer sikkerhetsnivåer (åpen, begrenset, konfidensielt). Separate environments per sikkerhetsnivå. | -### Case: AI CoE i Statens vegvesen (hypotetisk eksempel) +### Case: AI CoE i Direktoratet for digital tjenesteutvikling (hypotetisk eksempel) **Struktur:** Unified CoE - Core team (3 FTEs): CoE Lead, AI Architect, AI Security Specialist (KI-seksjonen) @@ -515,7 +515,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå **Ansvarsområder:** - Strategi: AI-strategi alignet med "Nasjonal transportplan" -- Kompetanse: Opplæring i Power Platform AI for saksbehandlere (Copilot Studio for førerkort-chatbot) +- Kompetanse: Opplæring i Power Platform AI for saksbehandlere (Copilot Studio for saksbehandling-chatbot) - Standarder: Governance for bruk av kamera-AI i trafikkovervåkning (GDPR, Politiregisterloven) - Pilots: AI for vegvedlikehold (prediktiv analyse av asfaltslitasje via computer vision) diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md index cd2b908..3f3c679 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md @@ -284,7 +284,7 @@ Root Management Group | **AI observability** | Microsoft Agent 365, Defender for Cloud | Custom dashboards | Agent 365 når tilgjengelig (GA), ellers Defender + Log Analytics | | **Cost management** | Azure Cost Management + Budgets | FinOps-verktøy | Azure Cost Management (gratis, native) | -### Eksempel: Governance-struktur for Statens vegvesen (SVV) +### Eksempel: Governance-struktur for norske offentlige etater **Kontekst:** Offentlig virksomhet, regulert, flere AI-pilotprosjekter (chatbot, dokument-analyse, prediktive modeller for vegvedlikehold). @@ -292,7 +292,7 @@ Root Management Group ``` ┌─────────────────────────────────────────┐ -│ SVV Direktør (Executive Sponsor) │ +│ DDT Direktør (Executive Sponsor) │ └──────────────┬──────────────────────────┘ │ ┌──────────┴────────┐ diff --git a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md index 21cd4c0..6ee1d90 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md +++ b/plugins/ms-ai-architect/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md @@ -359,11 +359,11 @@ jobs: **Konfidensmarkør:** ⚠️ MEDIUM — EU AI Act er under implementering (tredde i kraft 2024), norske myndigheter utvikler veiledning. -### Statens vegvesen-spesifikke vurderinger +### Direktoratet for digital tjenesteutvikling-spesifikke vurderinger **Use cases med mandatory red teaming:** - AI-systemer som påvirker trafikksikkerhet (autonomous systems, traffic prediction) -- Chatbots som håndterer sensitive brukerdata (kjøretøyregistrering, førerkortinformasjon) +- Chatbots som håndterer sensitive brukerdata (kjøretøyregistrering, saksbehandlinginformasjon) - Decision-support systems for inspeksjon eller enforcement **Data sovereignty:** @@ -372,7 +372,7 @@ jobs: **Cross-functional red teaming teams:** - AI-utviklere (teknisk exploit) -- Domeneeksperter (Statens vegvesen domain knowledge) +- Domeneeksperter (Direktoratet for digital tjenesteutvikling domain knowledge) - Sikkerhetsteam (threat modeling) - Juridisk (compliance vurdering) diff --git a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md index 63b0052..dea806c 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md +++ b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md @@ -60,7 +60,7 @@ Cosmos DB er kritisk for Foundry Agent Service da all agent-tilstand lagres her: ```bash # Aktiver continuous backup med 30-dagers PITR az cosmosdb create \ - --name svv-ai-cosmos-prod \ + --name ddt-ai-cosmos-prod \ --resource-group rg-ai-foundry-prod \ --locations regionName="norwayeast" failoverPriority=0 \ --locations regionName="swedencentral" failoverPriority=1 \ @@ -170,7 +170,7 @@ Microsoft anbefaler eksplisitt a definere account, projects, capability host og // main.bicep -- AI Foundry prosjekt med DR-konfigurasjon param primaryLocation string = 'norwayeast' param secondaryLocation string = 'swedencentral' -param projectName string = 'svv-ai-project' +param projectName string = 'ddt-ai-project' // Cosmos DB med continuous backup og failover resource cosmosAccount 'Microsoft.DocumentDB/databaseAccounts@2024-05-15' = { @@ -229,7 +229,7 @@ resource aiProject 'Microsoft.MachineLearningServices/workspaces@2024-04-01' = { } } properties: { - friendlyName: 'SVV AI Project' + friendlyName: 'DDT AI Project' storageAccount: storageAccount.id keyVault: keyVault.id applicationInsights: appInsights.id @@ -254,7 +254,7 @@ stages: steps: - task: AzureCLI@2 inputs: - azureSubscription: 'svv-ai-prod' + azureSubscription: 'ddt-ai-prod' scriptType: 'bash' scriptLocation: 'inlineScript' inlineScript: | @@ -271,7 +271,7 @@ stages: steps: - task: AzureCLI@2 inputs: - azureSubscription: 'svv-ai-prod' + azureSubscription: 'ddt-ai-prod' scriptType: 'bash' scriptLocation: 'inlineScript' inlineScript: | diff --git a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md index e334e61..ddad218 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md +++ b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md @@ -98,7 +98,7 @@ Operational backup for Azure Blobs gir point-in-time restore: ```bash # Opprett backup vault az dataprotection backup-vault create \ - --vault-name svv-ai-backup-vault \ + --vault-name ddt-ai-backup-vault \ --resource-group rg-ai-prod \ --location norwayeast \ --type SystemAssigned \ @@ -106,7 +106,7 @@ az dataprotection backup-vault create \ # Opprett backup-policy for blobs (30 dagers retensjon) az dataprotection backup-policy create \ - --vault-name svv-ai-backup-vault \ + --vault-name ddt-ai-backup-vault \ --resource-group rg-ai-prod \ --name blob-backup-policy-30d \ --policy '{ @@ -144,9 +144,9 @@ Cosmos DB tilbyr to nivaaer av continuous backup: ```bash # Gjenopprett Cosmos DB til et bestemt tidspunkt az cosmosdb restore \ - --account-name svv-ai-cosmos-prod \ + --account-name ddt-ai-cosmos-prod \ --resource-group rg-ai-prod \ - --target-database-account-name svv-ai-cosmos-restored \ + --target-database-account-name ddt-ai-cosmos-restored \ --restore-timestamp "2026-02-10T14:30:00Z" \ --location norwayeast ``` @@ -161,7 +161,7 @@ For AI-loesninger som bruker Azure SQL for strukturerte data: # Gjenopprett Azure SQL til et bestemt tidspunkt az sql db restore \ --resource-group rg-ai-prod \ - --server svv-ai-sqlserver \ + --server ddt-ai-sqlserver \ --name ai-metadata-db \ --dest-name ai-metadata-db-restored \ --time "2026-02-10T14:30:00Z" @@ -195,7 +195,7 @@ For GPU-VM-er og compute-intensive AI-arbeidsbelastninger: # Opprett backup-policy for managed disks # Daglig backup med 30 dagers retensjon az dataprotection backup-policy create \ - --vault-name svv-ai-backup-vault \ + --vault-name ddt-ai-backup-vault \ --resource-group rg-ai-prod \ --name disk-backup-daily-30d \ --policy '{ @@ -303,19 +303,19 @@ Automatisk haandtering av eldre datasett og backup-data: ```bash # Opprett Recovery Services vault med GRS for VM-backup az backup vault create \ - --name svv-ai-recovery-vault \ + --name ddt-ai-recovery-vault \ --resource-group rg-ai-prod \ --location norwayeast # Sett storage-redundans til geo-redundant az backup vault backup-properties set \ - --name svv-ai-recovery-vault \ + --name ddt-ai-recovery-vault \ --resource-group rg-ai-prod \ --backup-storage-redundancy GeoRedundant # Aktiver Cross Region Restore az backup vault backup-properties set \ - --name svv-ai-recovery-vault \ + --name ddt-ai-recovery-vault \ --resource-group rg-ai-prod \ --cross-region-restore-flag Enabled ``` @@ -366,7 +366,7 @@ For norsk offentlig sektor er det viktig at off-region backup forblir innenfor E "parameters": { "vaultLocation": { "value": "norwayeast" }, "backupPolicyId": { - "value": "/subscriptions/{sub}/resourceGroups/rg-ai-prod/providers/Microsoft.RecoveryServices/vaults/svv-ai-recovery-vault/backupPolicies/DefaultPolicy" + "value": "/subscriptions/{sub}/resourceGroups/rg-ai-prod/providers/Microsoft.RecoveryServices/vaults/ddt-ai-recovery-vault/backupPolicies/DefaultPolicy" } } } diff --git a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md index fda003a..323a79b 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md +++ b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md @@ -120,7 +120,7 @@ Failover-tester boer dekke flere niva -- fra enkeltkomponent til fullstendig reg "type": "List", "targets": [ { - "id": "/subscriptions/{sub-id}/resourceGroups/rg-ai-prod/providers/Microsoft.DocumentDB/databaseAccounts/svv-ai-cosmos/providers/Microsoft.Chaos/targets/Microsoft-CosmosDB", + "id": "/subscriptions/{sub-id}/resourceGroups/rg-ai-prod/providers/Microsoft.DocumentDB/databaseAccounts/ddt-ai-cosmos/providers/Microsoft.Chaos/targets/Microsoft-CosmosDB", "type": "ChaosTarget" } ] @@ -232,9 +232,9 @@ async def check_cosmos_health(endpoint: str) -> dict: async def full_health_check() -> dict: """Komplett helsesjekk for alle AI-komponenter.""" results = await asyncio.gather( - check_openai_health("https://svv-aoai-ne.openai.azure.com", "***"), - check_openai_health("https://svv-aoai-sc.openai.azure.com", "***"), - check_cosmos_health("https://svv-ai-cosmos.documents.azure.com"), + check_openai_health("https://ddt-aoai-ne.openai.azure.com", "***"), + check_openai_health("https://ddt-aoai-sc.openai.azure.com", "***"), + check_cosmos_health("https://ddt-ai-cosmos.documents.azure.com"), ) overall = "healthy" if all(r["status"] == "healthy" for r in results) else "degraded" return {"overall": overall, "components": results} @@ -517,7 +517,7 @@ Integrer L1-tester i CI/CD-pipeline: - task: AzureCLI@2 displayName: 'Start Chaos Experiment' inputs: - azureSubscription: 'svv-ai-staging' + azureSubscription: 'ddt-ai-staging' scriptType: 'bash' inlineScript: | # Start chaos experiment @@ -534,19 +534,19 @@ Integrer L1-tester i CI/CD-pipeline: - task: AzureCLI@2 displayName: 'Run Load Test During Chaos' inputs: - azureSubscription: 'svv-ai-staging' + azureSubscription: 'ddt-ai-staging' scriptType: 'bash' inlineScript: | # Kjoer lasttest parallelt med chaos experiment az load test run create \ --test-id ai-failover-load-test \ --resource-group rg-ai-staging \ - --load-test-resource svv-ai-load-test + --load-test-resource ddt-ai-load-test - task: AzureCLI@2 displayName: 'Validate Results' inputs: - azureSubscription: 'svv-ai-staging' + azureSubscription: 'ddt-ai-staging' scriptType: 'bash' inlineScript: | # Valider at feilrate er innenfor terskel diff --git a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md index 5fba7f9..00f4ed5 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md +++ b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md @@ -224,7 +224,7 @@ Gatewayen ma respektere throttling-signaler (HTTP 429) og fjerne feilede backend ### Private Endpoint-arkitektur ``` -On-premises nettverk (Statens vegvesen) +On-premises nettverk (Direktoratet for digital tjenesteutvikling) | +-- ExpressRoute --> Azure vNet (Norway East) | @@ -243,10 +243,10 @@ For privat nettverkstilgang kan en split-brain DNS-tilnaerming brukes: ``` Normaltilstand: - aoai-gateway.intern.vegvesen.no --> APIM Norway East (privat IP) + aoai-gateway.intern.ddt.no --> APIM Norway East (privat IP) Ved regional utfall: - aoai-gateway.intern.vegvesen.no --> APIM Sweden Central (privat IP) + aoai-gateway.intern.ddt.no --> APIM Sweden Central (privat IP) (manuell DNS-endring eller Azure Private DNS zones) ``` @@ -277,7 +277,7 @@ Kvote tildeles per **abonnement + region + modell** i enheter av **Tokens-per-Mi ### Kvotestrategi for multi-region ``` -Abonnement: SVV-AI-Prod +Abonnement: DDT-AI-Prod | +-- Norway East | +-- gpt-4o Data Zone: 120K TPM (primaer) diff --git a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md index d56e8e7..855af5c 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md +++ b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md @@ -342,7 +342,7 @@ class AIEdgePipeline: ### Relevante use cases -- **Statens vegvesen**: Sanntids verkontrollovervaking med AI-basert analyse av vaerdata, trafikkmonstre og veiforhold fra veistasjonssensorer +- **Direktoratet for digital tjenesteutvikling**: Sanntids verkontrollovervaking med AI-basert analyse av vaerdata, trafikkmonstre og veiforhold fra veistasjonssensorer - **Kystverket**: Autonome sensorsystemer langs kysten for miljooverkaking og sikkerhet, med begrenset tilkobling - **Energisektoren**: Smart styring av offentlige bygg med prediktiv vedlikeholdsanalyse av HVAC-systemer - **Helsesektoren**: IoT-basert pasientovervaking pa sykehus med lokal AI for tidlig varsling diff --git a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md index fc5e5cc..85a24d9 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md +++ b/plugins/ms-ai-architect/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md @@ -452,7 +452,7 @@ class TestOfflineAI: | Scenario | Etat | Offline-varighet | AI-funksjon | |----------|------|-----------------|-------------| -| Vegfinspeksjon | SVV | Timer | Skadeklassifisering | +| Vegfinspeksjon | DDT | Timer | Skadeklassifisering | | Ambulanse | Helseetaten | Minutter-timer | Triagering | | Beredskap | DSB | Dager | Situasjonsanalyse | | Maritime inspeksjoner | Sjoefartsdir. | Timer-dager | Rapport-generering | diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md index 4a3f1f2..4a4225a 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md @@ -43,7 +43,7 @@ Azure AI Language tilbyr tre API-varianter for PII-deteksjon: | Adresse | `Address` | Storgata 1, 0123 Oslo | ML-basert | | Organisasjon | `Organization` | NAV, Skatteetaten | ML-basert | | EU Passport | `EUPassportNumber` | Norsk pass | Format-validering | -| EU Drivers License | `EUDriversLicenseNumber` | Norsk førerkort | Format-validering | +| EU Drivers License | `EUDriversLicenseNumber` | Norsk saksbehandling | Format-validering | | Bank Account | `InternationalBankingAccountNumber` | IBAN | Format-validering | **Viktig:** Azure detekterer norske fødselsnummer under kategorien `NOIdentityNumber`. Du må spesifisere `language: "no"` for optimal deteksjon. diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md index d32dc95..a0bedd1 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md @@ -231,7 +231,7 @@ Uavhengig av totalscore skal risikokategorien oppgraderes til **Kritisk** dersom ### Case A: Copilot Studio chatbot med SharePoint RAG, kun interne brukere, M365 E5 -**Scenario:** Intern HR-chatbot i Statens vegvesen. Henter svar fra SharePoint-dokumentbibliotek via Copilot Studio. Ingen sensitiv persondata. Tilgjengelig kun for ansatte med M365 E5-lisens. +**Scenario:** Intern HR-chatbot i Direktoratet for digital tjenesteutvikling. Henter svar fra SharePoint-dokumentbibliotek via Copilot Studio. Ingen sensitiv persondata. Tilgjengelig kun for ansatte med M365 E5-lisens. | Dimensjon | Forventet score | Begrunnelse | |-----------|----------------|-------------| @@ -255,7 +255,7 @@ Uavhengig av totalscore skal risikokategorien oppgraderes til **Kritisk** dersom ### Case B: Azure AI Foundry med custom model, borgermøtende, sensitiv persondata -**Scenario:** Offentlig skjemaveileder for Statens vegvesen. Brukere (borgere) fyller ut søknader med støtte fra AI. Systemet prosesserer fødselsnummer, helseopplysninger og førerkortdata. Basert på Azure AI Foundry med fine-tuned GPT-4o og Azure AI Search (RAG). +**Scenario:** Offentlig skjemaveileder for Direktoratet for digital tjenesteutvikling. Brukere (borgere) fyller ut søknader med støtte fra AI. Systemet prosesserer fødselsnummer, helseopplysninger og saksbehandlingdata. Basert på Azure AI Foundry med fine-tuned GPT-4o og Azure AI Search (RAG). | Dimensjon | Forventet score | Begrunnelse | |-----------|----------------|-------------| diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md index 78addb8..654cc77 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md @@ -504,7 +504,7 @@ Noen sektorer må rapportere IT-kostnader til DFØ. Forbered data: **Eksempel-rapport til DFØ:** ``` -Virksomhet: Statens vegvesen +Virksomhet: Direktoratet for digital tjenesteutvikling Periode: 2025 Azure AI Foundry: diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md index 78f7c05..d4baf16 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md @@ -270,7 +270,7 @@ Azure Cost Management aggregerer kostnader per dag, men fakturering skjer måned | Arkitekturmønstre | **Baseline + Domain Expertise** | FinOps Framework + Azure Well-Architected | | Beslutningsveiledning | **Verified** | Cost optimization best practices (Well-Architected) | | Integrasjon med Microsoft-stakken | **Verified** | Official docs (tags, Power BI, Azure Monitor) | -| Offentlig sektor (Norge) | **Domain Expertise** | KTG/SVV-kontekst, ikke Microsoft-spesifikk | +| Offentlig sektor (Norge) | **Domain Expertise** | KTG/DDT-kontekst, ikke Microsoft-spesifikk | | For arkitekten (Cosmo) | **Baseline + Best Practices** | Syntetisert fra research + field experience | --- diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md index 3e47b74..86f7cd9 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md @@ -76,7 +76,7 @@ Azure Container Apps bruker KEDA (Kubernetes Event-driven Autoscaling) for dekla "type": "azure-servicebus", "metadata": { "queueName": "ai-processing-queue", - "namespace": "svv-ai-servicebus", + "namespace": "ddt-ai-servicebus", "messageCount": "5" } } @@ -227,7 +227,7 @@ resource aiService 'Microsoft.App/containerApps@2023-05-01' = { "type": "azure-servicebus", "metadata": { "queueName": "document-analysis", - "namespace": "svv-ai-bus", + "namespace": "ddt-ai-bus", "messageCount": "3" }, "auth": [ diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md index 304bc57..00e3ed5 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md @@ -10,7 +10,7 @@ Azure OpenAI Batch API er designet for storskala, asynkron prosessering av AI-arbeidslaster. Med 50% lavere kostnad enn Global Standard-prising og separat kvote som ikke pavirker online-trafikken, er Batch API ideelt for norsk offentlig sektor som trenger a prosessere store volumer av dokumenter, klassifiseringer eller analyser. -For offentlige virksomheter som Statens vegvesen, Nav, eller Skatteetaten kan Batch API brukes til masseprosessering av henvendelser, dokumentanalyse, oversettelser og datautvinning uten a forstyrre sanntidstjenestene. Tjenesten er spesielt verdifull for periodiske oppgaver som kvartalsvis rapportering, arsavslutning, eller migrering av historiske data. +For offentlige virksomheter som Direktoratet for digital tjenesteutvikling, Nav, eller Skatteetaten kan Batch API brukes til masseprosessering av henvendelser, dokumentanalyse, oversettelser og datautvinning uten a forstyrre sanntidstjenestene. Tjenesten er spesielt verdifull for periodiske oppgaver som kvartalsvis rapportering, arsavslutning, eller migrering av historiske data. Denne referansen dekker hele arbeidsflyten for Batch API, fra filsammensetning og opplasting til kostnadsberegning og feilhhandtering, med fokus pa optimalisering for store volumer. diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md index ea78f62..24d734d 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md @@ -300,7 +300,7 @@ Azure OpenAI prompt caching reduserer latens og kostnad for requests med identis # Krav: Minimum 1024 tokens, identisk prefix # System prompt som gjenbrukes pa tvers av requests -SYSTEM_PROMPT = """Du er en saksbehandlingsassistent for Statens vegvesen. +SYSTEM_PROMPT = """Du er en saksbehandlingsassistent for Direktoratet for digital tjenesteutvikling. Du hjelper med a analysere og klassifisere innkommende henvendelser relatert til forerkort, kjoretoysregistrering og veiprosjekter. diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md index 87f8d09..917a1c4 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md @@ -295,7 +295,7 @@ def calculate_distillation_savings( "roi_months": round(roi_months, 1) } -# Eksempel: Statens vegvesen dokumentanalyse +# Eksempel: Direktoratet for digital tjenesteutvikling dokumentanalyse savings = calculate_distillation_savings( monthly_requests=100_000, avg_input_tokens_before=1200, # Med few-shot diff --git a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md index 64cea97..3a4a664 100644 --- a/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md +++ b/plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md @@ -153,15 +153,15 @@ def design_cacheable_prompt( return messages, stats -# Eksempel: Saksbehandler-assistent for Statens vegvesen +# Eksempel: Saksbehandler-assistent for Direktoratet for digital tjenesteutvikling messages, stats = design_cacheable_prompt( system_instructions="""Du er en AI-assistent for saksbehandlere i - Statens vegvesen. Du hjelper med å analysere klager på vedtak om - førerkort, vurdere om klagen har grunnlag, og foreslå svar. + Direktoratet for digital tjenesteutvikling. Du hjelper med å analysere klager på vedtak om + saksbehandling, vurdere om klagen har grunnlag, og foreslå svar. Regelverk du skal referere til: - Vegtrafikkloven § 24-34 - - Førerkortforskriften + - fagforskriften - Forvaltningsloven § 28-36 (klagebehandling) Format: Alltid bruk overskrifter, vurder hvert punkt separat, @@ -173,7 +173,7 @@ messages, stats = design_cacheable_prompt( "output": "## Vurdering\n### Regelverksvurdering..." }, { - "input": "Klage: Mitt førerkort ble inndratt...", + "input": "Klage: Mitt saksbehandling ble inndratt...", "output": "## Vurdering\n### Regelverksvurdering..." } ], @@ -203,7 +203,7 @@ client = AzureOpenAI( response = client.chat.completions.create( model="gpt-4o", messages=messages, - prompt_cache_key="svv-complaint-handler-v2", # Gruppert caching + prompt_cache_key="ddt-complaint-handler-v2", # Gruppert caching max_tokens=1000 ) diff --git a/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture-high-risk.md b/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture-high-risk.md index 0acd8ab..f4dcd62 100644 --- a/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture-high-risk.md +++ b/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture-high-risk.md @@ -2,7 +2,7 @@ **Dato:** 2026-02-22 **Vurdert av:** AI Act Assessor -**Organisasjon:** Statens vegvesen +**Organisasjon:** Direktoratet for digital tjenesteutvikling ### 1. Risikoklassifisering @@ -11,7 +11,7 @@ | **Risikonivå** | Høyrisiko | | **Annex III-kategori** | Kategori 5: Tilgang til og bruk av essensielle offentlige tjenester og ytelser | | **GPAI-status** | Ja — basert på GPT-4o via Azure OpenAI | -| **Klassifiseringsgrunnlag** | Systemet automatiserer vurdering av helsekrav ved søknad om førerkort (klasse B). Direkte påvirkning på borgeres rett til førerkort — en essensiell offentlig tjeneste. | +| **Klassifiseringsgrunnlag** | Systemet automatiserer vurdering av helsekrav ved søknad om saksbehandling (klasse B). Direkte påvirkning på borgeres rett til saksbehandling — en essensiell offentlig tjeneste. | | **Konfidens** | Høy | #### Steg 1: Forbudt-sjekk (Art. 5) @@ -20,12 +20,12 @@ Ingen forbudte praksiser identifisert. Systemet scorer ikke individer sosialt, o #### Steg 2: Annex III høyrisiko-sjekk **Treffer kategori 5 (a):** AI-systemer som brukes av offentlige myndigheter for å vurdere berettigelse til offentlige ytelser og tjenester, inkludert tildelingsbeslutninger. -Førerkort er en essensiell offentlig tjeneste i norsk kontekst. Automatisert vurdering av helsekrav påvirker direkte borgeres tilgang til denne tjenesten. +Tjenesten er en essensiell offentlig tjeneste i norsk kontekst. Automatisert vurdering av helsekrav påvirker direkte borgeres tilgang til denne tjenesten. **Grensevurdering:** Det er ingen tvil om at dette er høyrisiko. Systemet tar beslutninger som direkte påvirker enkeltpersoners rettigheter og muligheter. #### Steg 3: GPAI-sjekk -GPT-4o er en GPAI-modell. Microsoft er provider av grunnmodellen. Statens vegvesen er deployer av det tilpassede systemet. Ettersom systemet har vesentlig tilpasning (fine-tuning på norske helseattest-vurderinger), kan Statens vegvesen også anses som provider av det tilpassede høyrisiko-systemet. +GPT-4o er en GPAI-modell. Microsoft er provider av grunnmodellen. Direktoratet for digital tjenesteutvikling er deployer av det tilpassede systemet. Ettersom systemet har vesentlig tilpasning (fine-tuning på norske helseattest-vurderinger), kan Direktoratet for digital tjenesteutvikling også anses som provider av det tilpassede høyrisiko-systemet. #### Steg 4: Ikke relevant — allerede klassifisert som høyrisiko @@ -34,7 +34,7 @@ GPT-4o er en GPAI-modell. Microsoft er provider av grunnmodellen. Statens vegves | Attributt | Verdi | |-----------|-------| | **Organisasjonens rolle** | Deployer (primært) + mulig Provider (ved vesentlig tilpasning) | -| **Begrunnelse** | Som deployer har Statens vegvesen alle Art. 26-27 forpliktelser. Ved fine-tuning av modellen kan organisasjonen også få provider-forpliktelser for det tilpassede systemet (Art. 25). | +| **Begrunnelse** | Som deployer har Direktoratet for digital tjenesteutvikling alle Art. 26-27 forpliktelser. Ved fine-tuning av modellen kan organisasjonen også få provider-forpliktelser for det tilpassede systemet (Art. 25). | | **Provider (grunnmodell)** | Microsoft (Azure OpenAI Service) | ### 3. Forpliktelser diff --git a/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture.md b/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture.md index 2a0dade..cb2e551 100644 --- a/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture.md +++ b/plugins/ms-ai-architect/tests/fixtures/ai-act/fixture.md @@ -2,7 +2,7 @@ **Dato:** 2026-02-22 **Vurdert av:** AI Act Assessor -**Organisasjon:** Statens vegvesen +**Organisasjon:** Direktoratet for digital tjenesteutvikling ### 1. Risikoklassifisering @@ -39,7 +39,7 @@ Systemet har ingen direkte brukerinteraksjon med borgere. Resultater vises kun t | Attributt | Verdi | |-----------|-------| | **Organisasjonens rolle** | Deployer | -| **Begrunnelse** | Statens vegvesen bruker et AI-system utviklet internt med Azure OpenAI. Ettersom systemet ikke markedsføres til andre, og bruker standard Azure-tjenester uten vesentlig tilpasning av modellen, er rollen deployer. | +| **Begrunnelse** | Direktoratet for digital tjenesteutvikling bruker et AI-system utviklet internt med Azure OpenAI. Ettersom systemet ikke markedsføres til andre, og bruker standard Azure-tjenester uten vesentlig tilpasning av modellen, er rollen deployer. | | **Provider (ekstern)** | Microsoft (Azure OpenAI Service) | ### 3. Forpliktelser diff --git a/plugins/okr/README.md b/plugins/okr/README.md index 6ef8d30..6ecbecb 100644 --- a/plugins/okr/README.md +++ b/plugins/okr/README.md @@ -20,7 +20,7 @@ Every organization has a strategy. Few manage to turn it into goals that teams actually work toward. -OKR (Objectives and Key Results) is a proven framework for that translation — used by Google, Intel, and increasingly by Norwegian public sector organizations like NAV, FINN.no, and Statens vegvesen. But adopting OKR is hard. The methodology sounds simple ("write inspiring goals with measurable results") until you try it. Then you hit real questions: +OKR (Objectives and Key Results) is a proven framework for that translation — used by Google, Intel, and increasingly by Norwegian public sector organizations like NAV, FINN.no, and Direktoratet for digital tjenesteutvikling. But adopting OKR is hard. The methodology sounds simple ("write inspiring goals with measurable results") until you try it. Then you hit real questions: - *How do we connect our OKR to the goals in our tildelingsbrev?* - *What's a good Key Result vs. just an activity disguised as one?* diff --git a/plugins/okr/commands/governance.md b/plugins/okr/commands/governance.md index e134954..190dfbb 100644 --- a/plugins/okr/commands/governance.md +++ b/plugins/okr/commands/governance.md @@ -89,7 +89,7 @@ Verifiser at OKR-arbeidet tåler ekstern revisjon: ## Eksempel: Tildelingsbrev → OKR **Fra tildelingsbrev:** -> "Statens vegvesen skal bidra til å redusere antall drepte og hardt skadde i trafikken med 50% innen 2030, sammenlignet med 2020-nivå." +> "Direktoratet for digital tjenesteutvikling skal bidra til å redusere antall drepte og hardt skadde i trafikken med 50% innen 2030, sammenlignet med 2020-nivå." **Som OKR (årlig):** ``` diff --git a/plugins/okr/commands/oppsett.md b/plugins/okr/commands/oppsett.md index ca634e5..bba2300 100644 --- a/plugins/okr/commands/oppsett.md +++ b/plugins/okr/commands/oppsett.md @@ -79,13 +79,13 @@ er fullfort. Oppdater til `fullfort` etter siste fase. Still alle sporsmaal med AskUserQuestion (grupper 2-3 sammen der naturlig): 1. **Organisasjonsnavn og kortform?** - Eksempel: "Statens vegvesen" / "SVV" + Eksempel: "Direktoratet for digital tjenesteutvikling" / "DDT" 2. **Type organisasjon?** Alternativer: statlig etat | direktorat | kommune | fylkeskommune 3. **Hvilket departement eller overordnet etat?** - Eksempel: "Samferdselsdepartementet" + Eksempel: "fagdepartementet" 4. **Fagdomene?** Alternativer: transport | helse | justis | digitalisering | utdanning | annet @@ -254,7 +254,7 @@ For brukere som vil komme raskt i gang. Samle alle sporsmaal i en AskUserQuestio eller maks 2 runder: 1. **Organisasjonsnavn og type?** - Eksempel: "Statens vegvesen, statlig etat" + Eksempel: "Direktoratet for digital tjenesteutvikling, statlig etat" 2. **Fagdomene?** Alternativer: transport | helse | justis | digitalisering | utdanning | annet diff --git a/plugins/okr/commands/skriv.md b/plugins/okr/commands/skriv.md index 13888ed..77dfb95 100644 --- a/plugins/okr/commands/skriv.md +++ b/plugins/okr/commands/skriv.md @@ -58,9 +58,9 @@ Et godt Objective er: | Dårlig | Bedre | Problem | |--------|-------|---------| -| "Forbedre kundeservice" | "Levere raskere support for førerkortsøknader" | Vag | +| "Forbedre kundeservice" | "Levere raskere support for saksbehandlingsøknader" | Vag | | "Implementere nytt system" | "Gi saksbehandlere sanntids innsikt" | Aktivitet | -| "Digitalisere SVV" | "Gjøre førerkortfornyelse friksjonsfri" | For bredt | +| "Digitalisere etaten" | "Gjøre tjenestefornyelse friksjonsfri" | For bredt | | "Øke kundetilfredshet til 4.5" | "Bli den mest responsive serviceenheten i etaten" | Har tall (= KR) | ### Output-format @@ -134,7 +134,7 @@ Hjelp med å balansere committed vs aspirational mål. ``` ## OKR for Digital avdeling — T2-2026 -**Objective**: Gjøre førerkortfornyelse til en friksjonsfri opplevelse +**Objective**: Gjøre tjenestefornyelse til en friksjonsfri opplevelse **Key Results**: 1. Øke andel heldigitale fornyelser fra 45% til 75% diff --git a/plugins/okr/skills/okr-offentlig-sektor/SKILL.md b/plugins/okr/skills/okr-offentlig-sektor/SKILL.md index 75a2908..78209a1 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/SKILL.md +++ b/plugins/okr/skills/okr-offentlig-sektor/SKILL.md @@ -13,7 +13,7 @@ version: "1.0.0" # OKR Skill for Offentlig Sektor (Norge) -Provide expert OKR guidance adapted to Norwegian public sector, especially Statens vegvesen. Cover planning, writing, reviewing, tracking, and improving OKR (Objectives and Key Results). +Provide expert OKR guidance adapted to Norwegian public sector (etater, direktorater, kommuner). Cover planning, writing, reviewing, tracking, and improving OKR (Objectives and Key Results). ## Role @@ -89,8 +89,8 @@ Default to team-OKR. Individual OKR is not recommended for most roles — in lin ## Context ### Organization -- **Primary user**: Statens vegvesen (SVV) and other Norwegian public agencies -- **Domain**: Transport, roads, traffic safety, digital services +- **Primary user**: Norwegian public sector agencies (etater, direktorater, kommuner) +- **Domain**: Public administration, citizen services, digital services - **Tools**: Oboard (OKR software), PowerPoint, Microsoft Teams ### Cycle diff --git a/plugins/okr/skills/okr-offentlig-sektor/references/metrics-library.md b/plugins/okr/skills/okr-offentlig-sektor/references/metrics-library.md index 17860d2..be3aa6f 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/references/metrics-library.md +++ b/plugins/okr/skills/okr-offentlig-sektor/references/metrics-library.md @@ -78,7 +78,7 @@ ## Digitale tjenester ### Adopsjonsmetrikk -- **% digitale søknader** (f.eks. førerkort, byggegodkjenning) +- **% digitale søknader** (f.eks. saksbehandling, byggegodkjenning) - **Antall unike brukere** på digitale plattformer - **% av tjenester tilgjengelig 24/7 online** diff --git a/plugins/okr/skills/okr-offentlig-sektor/references/okr-examples.md b/plugins/okr/skills/okr-offentlig-sektor/references/okr-examples.md index 4cf079b..fde88d3 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/references/okr-examples.md +++ b/plugins/okr/skills/okr-offentlig-sektor/references/okr-examples.md @@ -2,7 +2,7 @@ ## Fremragende eksempler -### Eksempel 1: Trafikksikkerhet (Statens vegvesen) +### Eksempel 1: Trafikksikkerhet (Direktoratet for digital tjenesteutvikling) **Objective**: Redusere alvorlige ulykker på E6 gjennom Trøndelag @@ -22,10 +22,10 @@ ### Eksempel 2: Digitale tjenester -**Objective**: Levere digital-først opplevelse for førerkortsøknader +**Objective**: Levere digital-først opplevelse for saksbehandlingsøknader **Key Results**: -1. 90% av førerkortssøknader sendes inn digitalt (opp fra 65%) +1. 90% av saksbehandlingssøknader sendes inn digitalt (opp fra 65%) 2. Gjennomsnittlig behandlingstid reduseres fra 5 dager til 2 dager 3. Brukertilfredshet øker fra 3.8 til 4.5 (skala 1-5) diff --git a/plugins/okr/skills/okr-offentlig-sektor/references/okr-framework.md b/plugins/okr/skills/okr-offentlig-sektor/references/okr-framework.md index cc15a9c..7d9d96e 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/references/okr-framework.md +++ b/plugins/okr/skills/okr-offentlig-sektor/references/okr-framework.md @@ -56,11 +56,11 @@ I offentlig sektor er det viktig å skille mellom to nivåer av OKR: Strategiske OKR etablerer den overordnede retningen og kommuniserer hva organisasjonen skal oppnå i løpet av året. De er ambisiøse, inspirerende og koblet til virksomhetsstrategi og tildelingsbrev. -**Eksempel - Statens vegvesen strategisk OKR:** -- **Objective**: Etablere SVV som ledende på datadrevet trafikksikkerhet +**Eksempel - Direktoratet for digital tjenesteutvikling strategisk OKR:** +- **Objective**: Etablere DDT som ledende på datadrevet trafikksikkerhet - **KR1**: Redusere antall alvorlige ulykker på riksveinettet med 10% - **KR2**: Implementere prediktiv vedlikeholdsmodell på 70% av vegstrekningene -- **KR3**: Oppnå 90% digital selvbetjening på førerkorttjenester +- **KR3**: Oppnå 90% digital selvbetjening på saksbehandlingtjenester ### Taktiske OKR (syklusbaserte) @@ -98,12 +98,12 @@ Etatens KR → Teamets Objective **Committed (forpliktet):** - Forventer 100% måloppnåelse - Typisk: Regulatoriske krav, tildelingsbrev-mål, lovpålagte oppgaver -- Eksempel: "100% av førerkortklager behandlet innen 6 uker" +- Eksempel: "100% av saksbehandlingklager behandlet innen 6 uker" **Aspirational (ambisiøst):** - 70-80% måloppnåelse er suksess - Typisk: Innovasjon, forbedring, nye initiativ -- Eksempel: "Lansere AI-basert chatbot for førerkortspørsmål" +- Eksempel: "Lansere AI-basert chatbot for saksbehandlingspørsmål" I offentlig sektor anbefales en balanse: 60% committed, 40% aspirational. @@ -242,7 +242,7 @@ OKR kan brukes aktivt i ressursdiskusjoner: - ✅ Fokusert på outcome, ikke aktivitet ❌ **Dårlig**: "Forbedre kundeservice" -✅ **Bedre**: "Levere raskere og mer responsiv kundeservice for førerkortsøknader" +✅ **Bedre**: "Levere raskere og mer responsiv kundeservice for saksbehandlingsøknader" ### Gode Key Results - ✅ Målbar (tall, prosent, eller klare milepæler) diff --git a/plugins/okr/skills/okr-offentlig-sektor/references/okr-integrations.md b/plugins/okr/skills/okr-offentlig-sektor/references/okr-integrations.md index 389aba0..e4dc5cf 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/references/okr-integrations.md +++ b/plugins/okr/skills/okr-offentlig-sektor/references/okr-integrations.md @@ -30,7 +30,7 @@ OKR og Scrum utfyller hverandre: ### Timing og synkronisering ``` -OKR-syklus (4 måneder i SVV) +OKR-syklus (4 måneder i DDT) ├── Sprint 1 (2 uker) ├── Sprint 2 (2 uker) ├── Sprint 3 (2 uker) @@ -59,7 +59,7 @@ Sprint goals bør eksplisitt kobles til Key Results: ``` Quarterly OKR: -Objective: Redusere saksbehandlingstid for førerkortfornyelse +Objective: Redusere saksbehandlingstid for tjenestefornyelse KR1: Redusere gjennomsnittlig behandlingstid fra 10 til 5 dager KR2: 95% av saker ferdigbehandlet innen SLA KR3: Redusere manuell håndtering fra 60% til 20% @@ -389,7 +389,7 @@ PROSESSFLYT: ### Praktisk eksempel -**Kontekst**: Storprosjekt med 5 team (ART) i Statens vegvesen +**Kontekst**: Storprosjekt med 5 team (ART) i Direktoratet for digital tjenesteutvikling ``` ORGANISASJONS-OKR (Årlig): diff --git a/plugins/okr/skills/okr-offentlig-sektor/references/okr-offentlig-governance.md b/plugins/okr/skills/okr-offentlig-sektor/references/okr-offentlig-governance.md index 8cf10a4..5259c02 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/references/okr-offentlig-governance.md +++ b/plugins/okr/skills/okr-offentlig-sektor/references/okr-offentlig-governance.md @@ -43,7 +43,7 @@ Finn de 2-4 viktigste resultatmålene som krever forbedring/endring (ikke bare d Tildelingsbrev er ofte teknisk formulert. OKR skal inspirere. ``` -Tildelingsbrev (SD til SVV): +Tildelingsbrev (SD til DDT): "Redusere vedlikeholdsetterslep på riksveinettet" → OKR-formulering: @@ -68,13 +68,13 @@ I offentlig sektor må du være tydelig på hva som er "must-have" vs "stretch": - Tildelingsbrev-krav med eksplisitte måltall - Lovpålagte frister (f.eks. klagebehandling) - Politisk bindende løfter -- *Eksempel*: "100% av førerkortklager behandlet innen 6 uker" (lovkrav) +- *Eksempel*: "100% av saksbehandlingklager behandlet innen 6 uker" (lovkrav) **Aspirational OKR** (70-80% er suksess): - Ambisiøse forbedringer utover minimumskrav - Nye initiativer og innovasjon - Kvalitetsforbedringer -- *Eksempel*: "Lansere AI-basert førstelinjesupport for førerkortsaker" +- *Eksempel*: "Lansere AI-basert førstelinjesupport for saksbehandlingsaker" **Anbefalt balanse i offentlig sektor**: 60% committed, 40% aspirational @@ -293,11 +293,11 @@ Mange mål i offentlig sektor krysser etatsgrenser: ``` Sektorovergripende mål: Redusere klimagassutslipp fra transport med 55% innen 2030 -SVV-bidrag (egen OKR): +DDT-bidrag (egen OKR): Objective: Akselerere overgangen til utslippsfri transport KR1: 80% av nye fergekontrakter krever null-utslipp KR2: Lade-infrastruktur på 100% av rasteplasser på riksvei - KR3: Redusere SVVs egne driftsutslipp med 20% + KR3: Redusere DDTs egne driftsutslipp med 20% ``` **Koordineringsmekanismer**: @@ -314,16 +314,16 @@ Når OKR krever samarbeid på tvers: 3. **Etabler koordineringspunkt**: Hvem snakker med hvem? 4. **Enes om måling**: Bruk samme baseline og målemetode -**Eksempel - Digitaliseringsdirektoratet + SVV**: +**Eksempel - Digitaliseringsdirektoratet + DDT**: ``` -Felles Objective: Gjøre førerkorttjenester heldigitale +Felles Objective: Gjøre saksbehandlingtjenester heldigitale Digdir-bidrag (KR): -- Nasjonal ID-løsning støtter førerkort innen Q2 -- Felleskomponenter tilgjengelig for SVV +- Nasjonal ID-løsning støtter saksbehandling innen Q2 +- Felleskomponenter tilgjengelig for DDT -SVV-bidrag (KR): -- 100% av førerkort-søknader digitale innen Q4 +DDT-bidrag (KR): +- 100% av saksbehandling-søknader digitale innen Q4 - Integrasjon med nasjonal ID-løsning implementert ``` @@ -337,13 +337,13 @@ Offentlig sektor eksisterer for å levere verdi til innbyggere og næringsliv. O ``` Innbyggerperspektiv: -Objective: Gjøre det enklere å fornye førerkort +Objective: Gjøre det enklere å fornye saksbehandling KR1: 90% av fornyelser fullføres digitalt uten oppmøte KR2: Gjennomsnittstid fra søknad til mottatt kort: 5 virkedager KR3: Brukertilfredshet på fornyelsestjeneste: 4.5/5 Internt perspektiv (som muliggjør det over): -Objective: Automatisere førerkortbehandling +Objective: Automatisere saksbehandlingbehandling KR1: 80% av søknader behandles automatisk KR2: Manuell saksbehandlingstid ned fra 20 til 5 min KR3: 0 feil i automatisk vedtak (kvalitetskontroll) @@ -353,17 +353,17 @@ Objective: Automatisere førerkortbehandling ## Konkrete eksempler -### Eksempel 1: Fra NTP-mål til team-OKR i Statens vegvesen +### Eksempel 1: Fra NTP-mål til team-OKR i Direktoratet for digital tjenesteutvikling **Nasjonal transportplan 2025-2036** (Stortingsmelding): > "Enklere reisehverdag og økt konkurranseevne for næringslivet" > "Nullvisjon for drepte og hardt skadde i trafikken" -**Tildelingsbrev fra Samferdselsdepartementet til SVV**: -> "SVV skal redusere antall drepte og hardt skadde på riksveinettet med minst 10% fra 2024-nivå" +**Tildelingsbrev fra departementet til DDT**: +> "DDT skal redusere antall drepte og hardt skadde på riksveinettet med minst 10% fra 2024-nivå" > "Vedlikeholdsetterslepet skal reduseres med 5%" -**SVV strategisk OKR (årlig)**: +**DDT strategisk OKR (årlig)**: ``` Objective: Gjøre riksveinettet tryggere for alle trafikanter @@ -396,10 +396,10 @@ KR3: Alle 12 værstasjoner på E6 Øst operativ hele vinteren > "Offentlige tjenester skal være digitalt tilgjengelige for alle" > "Data skal deles og gjenbrukes på tvers av sektorer" -**Tildelingsbrev til Statens vegvesen**: -> "SVV skal øke digital selvbetjeningsgrad på publikumstjenester til minst 85%" +**Tildelingsbrev til Direktoratet for digital tjenesteutvikling**: +> "DDT skal øke digital selvbetjeningsgrad på publikumstjenester til minst 85%" -**SVV strategisk OKR (årlig)**: +**DDT strategisk OKR (årlig)**: ``` Objective: Levere sømløse digitale tjenester til alle trafikanter @@ -410,7 +410,7 @@ KR3: 70% av henvendelser løst via selvbetjening (ned fra 85% telefon/oppmøte) **Divisjon Trafikant OKR (syklus 2)**: ``` -Objective: Gjøre førerkorttjenester friksjonsfrie for brukeren +Objective: Gjøre saksbehandlingtjenester friksjonsfrie for brukeren KR1: Lansere ny digital fornyelsestjeneste med 95% oppetid KR2: 80% av fornyelser gjennomført uten manuell saksbehandling @@ -419,7 +419,7 @@ KR3: Gjennomsnittlig tid fra søknad til vedtak: 24 timer (ned fra 5 dager) **Team Digital utvikling OKR (syklus 2)**: ``` -Objective: Bygge robust backend for automatisk førerkortbehandling +Objective: Bygge robust backend for automatisk saksbehandlingbehandling KR1: API-responstid under 200ms for alle kall KR2: Integrasjon med folkeregisteret og politiets registre ferdig testet @@ -440,7 +440,7 @@ Ikke alt i tildelingsbrevet egner seg som OKR. Her er et eksempel på vurdering: **Resultat**: ``` OKR: -Objective: Gjøre SVVs drift klimanøytral +Objective: Gjøre DDTs drift klimanøytral KR1: Redusere CO2 fra driftskjøretøy med 15% KR2: 50% av anleggsplasser har nullutslipps-plan KR3: Alle nye driftskontrakter har klimakrav diff --git a/plugins/okr/skills/okr-offentlig-sektor/references/okr-sources.md b/plugins/okr/skills/okr-offentlig-sektor/references/okr-sources.md index e037dbb..5e157f3 100644 --- a/plugins/okr/skills/okr-offentlig-sektor/references/okr-sources.md +++ b/plugins/okr/skills/okr-offentlig-sektor/references/okr-sources.md @@ -296,7 +296,7 @@ Norsk podcast med flere episoder om OKR og målstyring. ## 5. Verktøy og plattformer -### Oboard (Statens vegvesens valg) +### Oboard (Direktoratet for digital tjenesteutviklings valg) Norskutviklet OKR-plattform, integrert med Microsoft 365.